分类 PyTorch 教程 下的文章

stable_baselines3 是什么？它的基本用法是什么？它包含那些算法？
撰写于：  浏览：340 次  分类：PyTorch 教程
1、Stable-Baselines3 是什么？Stable-Baselines3 是一个基于 PyTorch 的强化学习库，专注于提供高质量、易于使用的强化学习算法实现。它是 Stable-Baselines 的继任者，后者基于 TensorFlow。Stable-Baselines3 旨在简化强化学习算法的使用，同时保持高性能和灵活性。2、St[...]
torch.chunk的应用场景有那些呢？
撰写于：  浏览：313 次  分类：PyTorch 教程
torch.chunk 在 PyTorch 中有多种应用场景，尤其是在需要将张量分割成多个部分以便并行处理或分批次处理时。以下是一些常见的应用场景：1、数据分批次处理在深度学习中，数据通常需要分批次（batch）进行处理。如果数据已经加载到一个大张量中，可以使用 torch.chunk 将其分割成多个批次。# 假设有一个大的数据集张量 data =[...]
PyTorch中chunk函数的用法
撰写于：  浏览：379 次  分类：PyTorch 教程
在 PyTorch 中，chunk 是一个用于将张量分割成多个块的函数。它的用法如下所示。1、chunk函数定义1.1、函数签名torch.chunk(input, chunks, dim=0)1.2、参数说明input (Tensor): 要分割的输入张量。chunks (int): 要分割的块数。dim (int, optional): 沿着哪[...]
Transformer VS CNN/RNN
撰写于：  浏览：358 次  分类：PyTorch 教程
1、在CV领域，Transformer能不能完全取代CNN？在计算机视觉（CV）领域，Transformer是否能完全取代卷积神经网络（CNN）尚无定论，尽管Transformer在多个任务中表现出色，但仍面临一些挑战。Transformer的优势全局建模能力：Transformer通过自注意力机制捕捉全局信息，适合处理长距离依赖，如图像分类、目标[...]
PyTorch view 和 reshape 的区别是什么？
撰写于：  浏览：356 次  分类：PyTorch 教程
在 PyTorch 中，view 和 reshape 都用于改变张量的形状，但它们的行为和适用场景有所不同。1、view共享内存：view 返回的新张量与原始张量共享内存。这意味着修改其中一个张量会影响另一个。连续性要求：view 要求张量在内存中是连续的（contiguous）。如果张量不连续，需要先调用 contiguous() 方法。适用场景[...]
PyTorch向量转置之后，为什么得到的新向量不是连续的？
撰写于：  浏览：484 次  分类：PyTorch 教程
在 PyTorch 中，张量的存储方式是按照内存中的连续块来组织的。当我们对张量进行转置操作（如 tensor.t() 或 tensor.transpose()）时，PyTorch 并不会实际改变数据的存储顺序，而是通过修改张量的元数据（如步长 stride 和形状 shape）来实现转置的效果。这种设计是为了避免不必要的数据复制，从而提高效率。然[...]
PyTorch的向量广播的介绍
撰写于：  浏览：385 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：795 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：651 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：716 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：668 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：848 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：748 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：1021 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：1394 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[...]
关注公众号，了解站长最新动态

    友情链接

飞燕网 - 专注于PyTorch  ©  2025   运行时间： 2224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