![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
pytorch
我的辉
这个作者很懒,什么都没留下…
展开
-
pytorch-查看网络参数
Pytorch(六)(模型参数的遍历)——net.parameters() & net.named_parameters() & net.state_dict()原创 2021-08-09 10:52:46 · 3977 阅读 · 0 评论 -
pytorch torch.expand和torch.repeat的区别
expand对矩阵中的单维度进行复制import torchx = torch.tensor([1, 2, 3, 4]) #x.shape=(1,4)xnew = x.expand(2, 4) #x.shape=(2,4)#对第0维复制2次#对于不需要扩张的维度填上原来的维度大小 比如上面例子的4print(xnew)结果tensor([[1, 2, 3, 4], [1, 2, 3, 4]])如果x = torch.tensor([1, 2原创 2021-07-05 22:37:12 · 561 阅读 · 1 评论 -
pytorch乘法
点乘import torchx = torch.tensor([[3,4],[5,6]])y = torch.tensor([[2,4],[5,7]])z=x*y#等价于 z = torch.mul(x,y) #结果tensor([[ 6, 16], [25, 42]])相乘torch.mm仅仅支持两个二维向量相乘 mat1 = torch.randn(2, 3)mat2 = torch.randn(3, 3)torch.mm(mat1, mat2)#结果原创 2021-07-06 15:44:50 · 92 阅读 · 0 评论 -
pytorch中unfold的作用
PyTorch中torch.nn.functional.unfold函数使用详解原创 2021-07-06 15:55:16 · 653 阅读 · 0 评论 -
pytorch-Detach的作用
detach()的官方说明如下:假设有模型A和模型B,我们需要将A的输出作为B的输入,但训练时我们只训练模型B. 那么可以这样做:input_B = output_A.detach()它可以使两个计算图的梯度传递断开,从而实现我们所需的功能。Deatch在上一篇文章中就使用到强化学习-PPO...原创 2021-08-09 10:37:30 · 1817 阅读 · 0 评论 -
nn.linear输入高维度矩阵
关于torch.nn.Linear的输入与输出探讨原创 2021-07-06 14:57:52 · 1327 阅读 · 0 评论 -
pytorch-查看网络模型
参考链接pytorch详解nn.Module类,children和modules方法区别 1、print(model)import torchclass MyNet(torch.nn.Module): def __init__(self): # 必须调用父类的构造函数,因为想要使用父类的方法,这也是继承Module的目的 super(MyNet, self).__init__() self.conv1 = torch.nn.Conv原创 2020-12-19 22:17:46 · 3355 阅读 · 1 评论 -
GPU训练CPU加载模型
在GPU上训练 在CPU加载训练好模型进行预测的方法(因为有些模型用cpu预测的时候快一点)参考链接[深度学习] Pytorch(三)—— 多/单GPU、CPU,训练保存、加载预测模型问题原创 2020-12-19 21:05:47 · 903 阅读 · 1 评论 -
pytorch使用GPU上训练
使用单GPU来训练#使用GPU 2 来进行训练device = torch.device("cuda:2" if torch.cuda.is_available() else "cpu")model.to(device)data = data.to(device)label=label.to(device)prediction= model(data)###先转为cpu上的tensor 再从tensor转为numpyprediction=prediction.cpu().numpy原创 2020-12-13 11:16:35 · 927 阅读 · 1 评论 -
anaconda添加环境、镜像源、删除镜像源、退出环境、删除环境
添加镜像源conda config --add channels soumith##设置搜索时显示通道地址conda config --set show_channel_urls yes显示已经有的镜像源conda config --show删除单个镜像源 conda config --remove channels 镜像源地址 conda config --remove channels https://mirrors.tuna.tsinghua.edu.cn/tensorflow/l原创 2020-12-05 22:30:02 · 12530 阅读 · 0 评论 -
pytorch系列教程(八)-对forward函数的重新理解
上代码class U_Network(nn.Module): def __init__(self, dim, enc_nf, dec_nf, bn=None, full_size=True): super(U_Network, self).__init__() ... ... ... def forward(self, src, tgt): x = torch.cat([src, tgt], dim=1) ..原创 2020-10-11 21:03:24 · 1088 阅读 · 0 评论 -
pytorch系列教程(七)-卷积、池化、全连接、批归一化、上采样
Conv2dtorch.nn.Conv2d(in_channels, out_channels, kernel_size, stride = 1, padding = 0, dilation= 1, groups = 1, bias = True, padding_mode= 'zeros')in_channels:输入通道数out_chanels:期待输出通道数kerne_size:卷积核的数目stride:步长padding:填充Input: (Cin,Hin,Win)Output:原创 2020-10-11 20:35:06 · 776 阅读 · 0 评论 -
pytorch系列教程(六)-常用tensor操作
张量1、torch.is_tensor(obj)如果obj 是一个pytorch张量,则返回True创建张量1、torch.eyetorch.eye(n, m=None, out=None)返回一个2维张量,对角线位置全1,其它位置全0参数: n (int ) – 行数 m (int, optional) – 列数------------------------------>>> torch.eye(3) 1 0 0 0 1 0 0 0原创 2020-09-20 16:45:13 · 389 阅读 · 0 评论 -
Ubuntu18.04上安装pytorch
一、安装显卡驱动一、查看自己的系统类型和架构uname -a输出显示Linux jack-System-Product-Name 5.0.0-32-generic #34~18.04.2-Ubuntu SMP Thu Oct 10 10:36:02 UTC 2019 x86_64 x86_64 x86_64 GNU/Linux系统18.04.2-Ubuntu架构x86_64二、查看电脑显卡型号ubuntu-drivers devices输出显示== /sys/devices/pci0原创 2020-09-18 19:30:24 · 1578 阅读 · 0 评论 -
pytorch系列教程(五)-保存网络结构及其参数
一、保存网络结构及其参数torch.save(model,‘model.pth’) # 保存model = torch.load(“model.pth”) # 加载 二、只保存参数torch.save(model.state_dict(),“model.pth”) # 保存参数model = model() # 代码中创建网络结构params = torch.load(“model.pth”) # 加载参数model.load_state_dict(params) # 应用到网络结构中原创 2020-07-08 22:39:56 · 2960 阅读 · 0 评论 -
pytorch系列教程(四)-自定义损失函数
前言很多时候,在pytorch中并没有提供我们所需要的损失函数,但是pytorch却为什么提供了许多自定义损失函数的方法 自定义函数函数1、通过nn.Module类来实现自定义的损失函数我们来看一下yolov1的损失函数代码实现参考了动手学习深度学习pytorch版——从零开始实现YOLOv1class Loss_yolov1(nn.Module): def __init__(self): super(Loss_yolov1,self).__init__()原创 2020-07-08 21:24:00 · 2508 阅读 · 0 评论 -
pytorch系列教程(三)-自定义网络模型
前言接下来将要实战自定义模型,本篇博客参考了:pytorch教程之nn.Module类详解——使用Module类来自定义模型步骤还是使用之前的代码pytorch系列教程(一)-训练和测试模型流程model = MyNet()原创 2020-07-08 20:46:27 · 838 阅读 · 0 评论 -
pytorch系列教程(二)-数据预处理Dataset、DataLoader、Transform
前言pytorch对于怎么样把数据放进神经网络训练有一套非常成熟的机制,我们只需要按照流程即可,这个流程只要是涉及了Dataset、DataLoader和Transform这篇博客参考了:(第一篇)pytorch数据预处理三剑客之——Dataset,DataLoader,Transform(第二篇)pytorch数据预处理三剑客之——Dataset,DataLoader,Transform(第三篇)pytorch数据预处理三剑客之——Dataset,DataLoader,Transform原创 2020-07-06 22:09:50 · 2758 阅读 · 0 评论 -
pytorch系列教程(一)-训练和测试模型流程
前言最近入坑pytroch框架,毕竟现在pytorch这么流行,怎么能不学习一波。一般来说训练和测试神经网络的流程基本上是大同小异的训练训练过程一般要做的事情如下train_datasets = MyDataset() # 第一步:构造Dataset对象train_dataloader = DataLoader(train_datasets)# 第二步:通过DataLoader来构造迭代对象model = MyNet()#以交叉熵损失函数为例子criterion = n原创 2020-07-04 22:24:52 · 5545 阅读 · 0 评论