分类 PyTorch 教程 下的文章

PyTorch的向量广播的介绍
撰写于：  浏览：5 次  分类：PyTorch 教程
在PyTorch中，向量广播（Broadcasting）是一种在不同形状的张量之间执行逐元素操作的机制。广播机制使得PyTorch能够自动扩展较小的张量，使其与较大的张量形状兼容，从而进行逐元素操作，而无需显式复制数据。1、广播规则广播遵循以下规则：从尾部对齐：从张量的最右边维度开始，逐维度比较大小。维度大小相等或为1：如果两个张量在某个维度上的大[...]
PyTorch Softmax函数的实现
撰写于：  浏览：590 次  分类：PyTorch 教程
1、Softmax函数简介Softmax是一种激活函数，它可以将一个数值向量归一化为一个概率分布向量，且各个维度上的概率值相加之后的和为1。在深度学习领域，Softmax函数可以用来作为神经网络的最后一层，用于多分类问题的输出。另外，Softmax层常常和交叉熵损失函数一起结合使用。2、Softmax函数的计算公式对于向量中的每个元素，Softma[...]
Pytorch Embedding的本质理解：查找表
撰写于：  浏览：489 次  分类：PyTorch 教程
在Pytorch中torch.nn.Embedding层的作用很简单，它的本质就是一张查找表。如下代码所示：import torch import torch.nn as nn torch.manual_seed(1) embedding = nn.Embedding(5, 3) print(embedding.weight)打印出的结果为：[...]
Positional Encoding位置编码的作用
撰写于：  浏览：535 次  分类：PyTorch 教程
在一门语言中，词语的位置和顺序对句子意思表达至关重要的。传统RNN模型天然有序，在处理句子时，以序列的模式逐个处理句子中的词语，这使得词语的顺序信息在处理过程中被天然的保存下来，并不需要额外的处理。由于Transformer模型没有RNN（循环神经网络）或CNN（卷积神经网络）结构，句子中的词语都是同时进入网络进行处理，所以没有明确的关于单词在源句[...]
深度开发者们对显卡驱动的困惑
撰写于：  浏览：494 次  分类：PyTorch 教程
自从PC诞生以来，驱动程序就一直如影随形，与硬件产业一同发展。显卡驱动是连接操作系统与显卡硬件的桥梁，显卡驱动程序使操作系统能够识别和使用显卡的基本显示功能。即使没有安装专门的驱动程序，大多数操作系统也能通过通用驱动支持显卡的基本显示功能，但这通常无法充分发挥显卡的全部性能。因为显卡驱动程序包含了一系列优化算法，可以提升显卡处理图形和视频的能力。对[...]
cuDNN的介绍
撰写于：  浏览：587 次  分类：PyTorch 教程
1、cuDNN是什么？cuDNN全称NVIDIA CUDA® Deep Neural Network library， 是一个用于深度神经网络的GPU加速库。cuDNN包含了为神经网络中常见的计算任务提供高度优化的实现。包括前向卷积、反向卷积、注意力机制、矩阵乘法（matmul）、池化（pooling）和归一化（normalization）等。cu[...]
torch.log()函数的使用介绍
撰写于：  浏览：561 次  分类：PyTorch 教程
1、torch.log()函数定义torch.log(input, *, out=None) 其作用是返回一个新的张量，其中包含输入元素的自然对数。计算公式如下所示：$$ y_i = log_e(x_i) $$2、torch.log()函数代码举例：>>> a = torch.rand(5) * 5 >>> a[...]
CUDA、cuDNN和PyTorch的版本选择和配置
撰写于：  浏览：632 次  分类：PyTorch 教程
前言做为深度学习从业者，最基本的要求是要会配置PyTorch的开发环境。我们在配置环境的时候都知道有显卡驱动、CUDA、cuDNN、CUDA Toolkit、PyTorch等组件，而且不同的组件还有不同的版本，搞得人十分头大，彻底明白这些东西如何选择和配置对我们来说是十分有必要的，下面我给大家介绍一下这些组件的定义与相互关联。显卡驱动（GPU Dr[...]
PyTorch数据归一化处理transforms.normalize()函数详细介绍
撰写于：  浏览：999 次  分类：PyTorch 教程
transforms.normalize()函数介绍transforms属于torchvision模块的方法，它是常见的图像预处理的方法，以提升泛化能力。transforms包括的数据预处理方法有：数据中心化、数据标准化、缩放、裁剪、旋转、翻转、填充、噪声添加、灰度变换、线性变换、仿射变换、亮度、饱和度及对比度变换等transforms.norma[...]
在 PyTorch 中加载计算机视觉数据集
撰写于：  浏览：541 次  分类：PyTorch 教程
在深度学习中，卷积神经网络用于处理图像。为了构建训练神经网络，我们需要处理大量图像。有几种方法可以在 PyTorch 中加载计算机视觉数据集，具体取决于数据集的格式和项目的具体要求。一种流行的方法是使用内置的 PyTorch 数据集类，例如 torchvision.datasets。它提供了一种方便的方法来加载和预处理常见的计算机视觉数据集，例如C[...]
使用PyTorch实现Long Short Term Memory
撰写于：  浏览：476 次  分类：PyTorch 教程
数据准备import torch import torch.nn as nn import numpy as np import matplotlib.pyplot as plt # Set random seed for reproducibility np.random.seed(0) torch.manual_seed(0) # Gene[...]
Pytorch特征图提取与特征图可视化
撰写于：  浏览：562 次  分类：PyTorch 教程
代码如下：import torchvision from PIL import Image import torchvision.transforms as transforms from matplotlib import pyplot as plt from torchvision.models.feature_extraction impor[...]
PyTorch TensorDataset和DataLoader的详细解析
撰写于：  浏览：593 次  分类：PyTorch 教程
在深度学习项目中，数据的预处理、加载和批处理是至关重要的步骤。PyTorch 提供了多个实用工具以简化这些过程，其中TensorDataset和DataLoader是最常用的类之一。TensorDataset和DataLoader是 PyTorch 中处理数据的强大工具，它们简化了数据加载和批处理的复杂性，是进行深度学习模型训练时不可或缺的组件。掌[...]
PyTorch StepLR 学习率调度器详细介绍
撰写于：  浏览：756 次  分类：PyTorch 教程
在深度学习的训练过程中，经常需要调整模型的学习率以及其他超参数。PyTorch 提供了调度器（scheduler）来自动调整学习率，这对于优化模型的训练过程非常重要。PyTorch 提供了多种学习率调度器，常用的有 StepLR、MultiStepLR、ExponentialLR、CosineAnnealingLR 等。StepLR 调度器将学习率[...]
Pytorch构建数据集：torch.utils.data.Dataset()和torch.utils.data.DataLoader()
撰写于：  浏览：455 次  分类：PyTorch 教程
在pytorch中，提供了一种十分方便的数据读取机制，即使用torch.utils.data.Dataset与torch.utils.data.DataLoader组合得到数据迭代器。在每次训练时，利用这个迭代器输出每一个batch数据，并能在输出时对数据进行相应的预处理或数据增强等操作。1、torch.utils.data.Datasettorc[...]
关注公众号，每天学一个AI知识

    友情链接

飞燕网 - 专注于PyTorch  ©  2025   运行时间： 2164天   上线时间：2019年3月19日
飞燕网，最全面的Pytorch教程网！
京ICP备14057001号