- 博客(16)
- 收藏
- 关注
RSS订阅原创 批数据训练
import torchimport torch.utils.data as Data # 处理数据的工具包# hyper parameterBATAC_SIZE = 5x = torch.linspace(1, 10, 10)y = torch.linspace(10, 1, 10)# print(x.type()) # torch.FloatTensor# 先转换成 torch 能识别的 Datasettorch_dataset = Data.TensorDataset(x, y
2020-07-21 21:28:06
198
1
原创 模型的保存与提取
保存torch.save(net1, 'net1.pkl') # 保存整个网络torch.save(net1.state(), 'net_params.pkl') # 只保存网络中的参数提取提取整个神经网络def restore_net(): net2 = torch.load('net1.pkl') # 提取网络 prediction = net2(x)提取网络参数def restore_params(): # 新建 net3 要求与原网络保持相同的结构 n
2020-07-21 20:36:52
287
原创 Numpy和Torch相互转换及其计算上的区别
Torch和Numpy十分相似将一个普通变量转换为tensordata = [[1, 2], [3, 4]]tensor_data = torch.FloatTensor(data)将tensor转换为numpytensor2numpy = tensor_data.numpy()将numpy转换为tensortensor_data = torch.from_numpu(np.data)numpy 中矩阵乘法numpy.matmul(data, data) #矩阵乘法data.dot
2020-07-19 20:43:14
534
原创 标准化和归一化(Standardization and Normalization)
“标准化”和“归一化”主要是指代四种Feature scaling(特征缩放)的方法Rescaling ( min-max normalization) 有时简称normalizationx′=x−min(x)max(x)−min(x) x^{'} = \frac{x - min(x)}{ max(x) - min(x)}x′=max(x)−min(x)x−min(x)将数值范围缩放到(0， 1)，不改变数据分布特点： 本归一化方法比较适用于数值比较集中的情况缺点： 如果max和min不稳定
2020-07-08 22:17:59
573
原创 深度学习框架pytorch入门与实战
2.2.1 Tensor函数名后带下划线_的函数会修改Tensor本身。例如，x.add_(y)和 x.t_()会改变x，但x.add(y)和 x.t()会返回一个新的Tensor，而x不变Tensor 支持很多运算，包括数学运算、线性代数、选择、切片等，其接口设计与numpy极为相似Tensor和numpy的数组间的仙湖操作非常容易且快速。Tensor不支持的操作，可以先转为numpy数组处理，之后再转回Tensor。a = t.ones(5) # tensor([1., 1., 1., 1.,
2020-06-01 22:03:15
1613
原创 深度学习之pytorch实战计算机视觉
第3章 深度神经网络基础3.1 监督学习和无监督学习监督学习(supervised learning)：提供一组输入数据和其对应的标签数据，然后搭建一个模型，让模型在通过训练后准确地找到输入数据和标签数据之间的最优映射关系，在输入新的数据后，模型能够通过之前学到的最优映射关系，快速地预测出这组新数据的标签。这就是一个监督学习的过程3.1.1监督学习监督学习的主要应用场景：回归问题和分类问题回归问题：使用监督学习的方法，让我们搭建的模型在通过训练后建立起一个连续的线性映射关系，其重点如下：通过
2020-05-26 16:31:43
692
原创 变分贝叶斯(变分自编码器)和论文《Auto-Encoding Variational Bayes》解析
变分贝叶斯变分贝叶斯自编码器（VAE) 汇总变分贝叶斯推断(Variational Bayes Inference)简介变分贝叶斯方法变分贝叶斯（Variational Bayes）《Auto-Encoding Variational Bayes》解析读论文《Auto-Encoding Variational Bayes》Auto-Encoding Variational Bayes学习笔记变分自编码器（变分贝叶斯）Auto-Encoding Variational Bayes（VAE）V
2020-05-17 20:46:54
948
转载 python函数式编程-高阶函数,返回函数
文章目录高阶函数map()reduce()filter()sorted()返回函数闭包参考文献: 廖雪峰高阶函数map()map()函数接收两个参数，一个是函数，一个是Iterable，map将传入的函数依次作用到序列的每个元素，并把结果作为新的Iterator返回。>>> def f(x):... return x * x...>>> ...
2020-05-05 20:50:53
204
原创 python-切片,迭代，列表生成器，生成器，迭代器
切片L = ['Michael', 'Sarah', 'Tracy', 'Bob', 'Jack']L[0:3] # 取前三个元素 0 1 2L[:3] # 从索引0开始取，直到索引为3（索引3 不取 ）L[-3:-2] # 从后面开始取 倒数第三个 至倒数第二个L[:2:] # 步长，每隔两个取一个L[:] # 复制原list注： tuple 和 list 的 操作相同，不同的...
2020-05-04 16:39:40
158
原创 python中函数的参数
文章目录位置参数默认参数可变参数关键字参数参数组合python 中函数的参数分为四种：位置参数、默认参数、可变参数、关键字参数、命名关键字参数位置参数顾名思义，与变量位置有关的参数，例def power(x): return x**x默认参数即在函数定义时给出参数的值，例def power(x, y=1): return x*y 注：默认参数必须指向不变对象可变参数即传...
2020-05-03 23:25:31
227
原创 自编码器（AutoEncoder）
自编码器主要分为两步：编码（encoder）和解码（decoder），编码阶段主要是将输入信息映射到低维度的空间（提取有用的特征），解码阶段主要是为了还原输入的结果。其中损失函数L用于度量输出信息与输入信息偏离的程度正则自编码器是在损失函数中加入对模型复杂度的惩罚项根据损失函数的不同，自编码器可以分为以下几类：稀疏自编码器（Sparse AE）降噪自编码器（Denose AE）收缩自编...
2020-05-02 16:05:04
511
原创 卷积神经网络（CNN）简介
文章目录整体构造卷积层卷积运算填充（padding）步幅（stride）3维数据的卷积运算批处理（batch）池化层整体构造卷积神经网络（CNN）一般由卷积层（Convolution 层）、池化层（Pooling 层）和全连接层构成卷积层在全连接层中，相邻层的神经元全部连接在一起，输出的额数量可以任意决定。但是在全连接层中，数据的形状被忽视了，所有的数据都是由1维向量构成。例如图像通常是通...
2020-04-20 16:42:12
890
转载 conda 换源
清华：conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/conda config --set show_channel_urls yes中科大：conda config --add channels https://mirrors.ustc.edu.cn/anaconda/...
2020-04-10 10:41:08
932
原创 conda中的常用操作
conda中的一些操作复制一个虚拟环境的包到另一个环境中去呢？1.到原始的virtualenv变量的scripts目录下，导出此环境下安装的包的版本信息pip freeze > requirements.txt2.来到新的虚拟环境下，复制上不导出的requirements.txt文件到scripts目录下，执行安装命令pip install -r requirements.txt...
2020-04-10 10:31:55
178
原创 C++笔记
右值引用&& （C++ 11 新标准）右值引用 (Rvalue Referene) 是 C++ 新标准 (C++11, 11 代表 2011 年 ) 中引入的新特性 , 它实现了转移语义 (Move Sementics) 和精确传递 (Perfect Forwarding)。它的主要目的有两个方面：消除两个对象交互时不必要的对象拷贝，节省运算存储资源，提高效率。能够更简洁明...
2019-10-09 21:51:39
137
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人