分类 PyTorch 教程 下的文章


撰写于:  浏览:1096 次  分类:PyTorch 教程
1、LazyLinear 简介PyTorch提供一个惰性的线性层,这个模块的作用就是可以帮助我们实现惰性初始化参数,另外,还不必在定义线性层的时候同时指定输入维度和输出维度,只需要指定输出维度即可,对于输入维度采用自动推断的方式。总之,LazyLinear 类的功能和作用有下面三点:(1)自动推断输入维度的大小。这个类允许用户在初始化时不指定输入特[...]

撰写于:  浏览:789 次  分类:PyTorch 教程
1、PyTorch模型加载概述PyTorch是一个使用GPU和CPU优化的深度学习张量库,它也是一个动态神经网络构建工具。Pytorch模型加载是将已训练好的模型加载到内存中,以便使用。模型加载是模型应用的前提。Pytorch模型加载涉及到模型的序列化,反序列化和模型参数的赋值等操作。Pytorch中支持多种不同的序列化和反序列化方法,包括pick[...]

撰写于:  浏览:822 次  分类:PyTorch 教程
Tensor 和 Numpy 的数组可以相互转换,并且两者转换后共享在 CPU 下的内存空间,即改变其中一个的数值,另一个变量也会随之改变。Tensor 转换为 Numpy 数组实现 Tensor 转换为 Numpy 数组的例子如下所示,调用 tensor.numpy() 可以实现这个转换操作。a = torch.ones(5) print(a) [...]

撰写于:  浏览:1472 次  分类:PyTorch 教程
1、PyTorch的发展历史PyTorch是一个由Facebook的人工智能研究团队开发的开源深度学习框架。在2016年发布后,PyTorch很快就因其易用性、灵活性和强大的功能而在科研社区中广受欢迎。在发布后的几年里,PyTorch迅速在科研社区中取得了广泛的认可。在2019年,PyTorch发布了1.0版本,引入了一些重要的新功能,包括支持ON[...]

撰写于:  浏览:547 次  分类:PyTorch 教程
torch.optim 简介torch.optim 是一个实现了多种优化算法的包,大多数通用的方法都已支持,提供了丰富的接口调用,未来更多精炼的优化算法也将整合进来。torch.optim 官网介绍https://pytorch.org/docs/stable/optim.htmltorch.optim 使用说明torch.optim 中包含很多的[...]

撰写于:  浏览:760 次  分类:PyTorch 教程
图神经网络简介图神经网络(Graph Neural Network,GNN)是指使用神经网络来学习图结构数据,提取和发掘图结构数据中的特征和模式,满足聚类、分类、预测、分割、生成等图学习任务需求的算法总称。图神经网络(Graph Neural Network,GNN)是近年来出现的一种利用深度学习直接对图结构数据进行学习的框架,其优异的性能引起了学[...]

撰写于:  浏览:914 次  分类:PyTorch 教程
在使用Pytorch经常会遇到以下的错误:RuntimeError: Given groups=1, weight of size [16, 7, 5, 5], expected input[1, 11, 64, 64] to have 7 channels, but got 11 channels instead这个错误通常出现在卷积操作中,卷积[...]

撰写于:  浏览:1653 次  分类:PyTorch 教程
1、封面介绍2、出版时间2022年4月3、推荐理由本书从强化学习的基础知识出发,结合PyTorch深度学习框架,介绍深度强化学习算法各种模型的相关算法原理和基于PyTorch的代码实现。作为一本介绍深度强化学习知识的相关图书,本书介绍了常用的强化学习环境,基于价值网络的强化学习算法和基于策略梯度的强化学习算法,以及一些常用的比较流行的深度强化学习算[...]

撰写于:  浏览:1745 次  分类:PyTorch 教程
1、封面介绍2、出版时间2021年2月3、推荐理由本书全面介绍了深度学习知识,借助数学公式、示意图和代码,旨在帮助读者从数学层面、概念层面和应用层面理解神经网络。读者可以跟随本书构建和训练神经网络模型,从而解决实际问题。另外,本书着重介绍卷积神经网络和循环神经网络,并提供PyTorch开源神经网络库的使用方法,有助于学习构建更高级的神经网络架构。4[...]

撰写于:  浏览:1386 次  分类:PyTorch 教程
我们知道深度神经网络一旦开始训练起来,那么中间层的输入参数就要发生变更,网络中每一层的输入数据分布一直在发生变化的。即便在输入层,我们已经人为的为每个样本归一化,但是仍然阻止不了后面网络每一层的输入数据的分布变化,因为在训练的时候,前面层训练参数的更新将导致后面层输入数据分布的变化。以网络第二层为例:网络的第二层输入,是由第一层的学习参数和inpu[...]

撰写于:  浏览:1822 次  分类:PyTorch 教程
Seq2Seq模型可以用于处理输入序列和输出序列长度不相同的问题。常用的场景有:机器翻译、语音识别和文字识别三个领域为例。1、机器翻译领域比如将“ABC”输入序列翻译成“WXYZ”输出序列。Seq2Seq模型可以处理输入序列和输出序列长度不同问题。2、语音识别在attention-based的Seq2Seq基础上,引入了混合attention机制,[...]

撰写于:  浏览:1119 次  分类:PyTorch 教程
什么是Seq2Seq?所谓Seq2Seq(Sequence to Sequence),就是一种能够根据给定的序列,通过特定的方法生成另一个序列的方法。它被提出于2014年,最早由两篇文章独立地阐述了它主要思想,分别是Google Brain团队的《Sequence to Sequence Learning with Neural Networks》[...]

撰写于:  浏览:4238 次  分类:PyTorch 教程
提示:本文更新于2024年8月12日《Attention Is All You Need》是一篇Google提出的将Attention思想发挥到极致的论文。这篇论文中提出一个全新的模型名字叫Transformer,它抛弃了以往深度学习任务里面使用到的CNN和RNN,它完全基于注意力机制,不需要重复和卷积。同时,更具并行性,需要的训练时间显著减少。后[...]

撰写于:  浏览:640 次  分类:PyTorch 教程
1、封面介绍2、出版时间2018年1月3、推荐理由书从多维数组Tensor开始,循序渐进地带领读者了解PyTorch各方面的基础知识,并结合基础知识和前沿研究,带领读者从零开始完成几个经典有趣的深度学习小目,包括GAN 生成动漫头像、AI滤镜、AI 写诗等。本书没有简单机械地介绍各个函数接口的使用,而是尝试分门别类、循序渐进地向读者介绍PyTorc[...]

撰写于:  浏览:1362 次  分类:PyTorch 教程
1、封面介绍2、出版时间2017年1月3、推荐理由比尔·盖茨年度荐书!《终极算法》近20年人工智能领域具轰动性的著作!揭秘机器学习的终极逻辑,全景勾勒人工智能的商业未来。《乔布斯传》作者沃尔特·艾萨克森、图灵奖得主朱迪亚·珀尔、中国大数据领航人车品觉、今日头条首席算法架构师曹欢欢 倾力推荐!  Google、微软研究院 密切关注!  如果你先想了解[...]

关注公众号,了解站长最新动态

    友情链接