huanqu4673的博客

输入(input): normalize至(-1,1)区间 生成器(Generator): 激活函数最后一层使用tanh(),中间的激活层使用Relu()或者leakyRelu() 隐向量Z使用高斯分布生成, 不要使用均匀分布. (Z是三维的对于图像而言) 使用dropout 判别器(Discriminator): 最后一层使用的是sigmoid() 损失函数(Loss): ...

将参数分开使用字典传参给优化器， 这样可以将weight 和 bias 参数分隔开 import torch import torch.nn as nn import numpy as np ## build model class net(nn.Module): def __init__(self): super().__init__() self....

可以将axis的参数理解为将原来的第0维移动至axis的位置上（如torch的例子所示） import numpy as np import torch a = np.arange(1,41,1).reshape(2,4,5) ta = torch.from_numpy(a) b = np.arange(41,81,1).reshape(2,4,5) c = np.arange(81,121...