深度学习从入门到不想放弃-2

最新推荐文章于 2024-10-08 16:22:21 发布
最新推荐文章于 2024-10-08 16:22:21 发布
阅读量920 收藏 27
点赞数 24
文章标签： 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/kingsoftcloud/article/details/134792703
版权
这篇博客介绍了深度学习中的基本概念——Tensor，包括张量的定义、不同阶数的张量及其示例，以及如何使用PyTorch创建各种类型的Tensor，如空Tensor、全1/0 Tensor、随机值Tensor等。还提到了通过Tensor的shape属性判断其阶数，并揭示了torch.Tensor与torch.tensor之间的区别。
摘要由CSDN通过智能技术生成

 昨天和同事开玩笑说，我又想到几个好玩又实用的topic，准备写下来；其实今天本来想蹭个热点写点别的，但是突然出了这么几个新闻，考虑再三，我还是写点技术文章吧！

      继续讲基础，今天的主题是讲一下Tensor

    什么是Tensor? 不管做不做深度学习的各位，可能都听过Tensorflow，这是两个词的整合新词，前面的Tensor是核心，Tensor 直译就是张量，那么什么是张量？

     张量是一个统称，细分下来有很多分支，举几个例子：

  •      0阶张量：标量，就是我们日常所经常用到的常量，常数 ，一般记为0-D Tensor

  •      1阶张量：向量, venctor, 1-D Tensor

  •      2阶张量：矩阵, martix, 2-D Tensor

  •      3阶以后一般也就不会特意给起个名字了

     阶/维度/dimension,可以近似认为是高维数组里的shape的个数

     看一个例子：

     我们先设定有一个Tensor为a

Image

打印一下Tensor a 的形状

最低0.47元/天 解锁文章
周博洋K
关注
深度学习知识点全面总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
01-05 26万+
本文详细介绍深度学习概念及原理，参考网上相关资料汇总，内容包含众多章节，包括神经网络基础及常见深度学习网络结构介绍，用于个人学习总结，适合深度学习初学者学习。同时介绍机器学习常见的分类算法：SVM、神经网络、随机森林、逻辑回归、KNN、贝叶斯。常见的监督学习算法：感知机、SVM、人工神经网络、决策树、逻辑回归.........
强化学习入门到不想放弃-1
周博洋的博客
02-17 1035
简单解释就是也是分数，只不过这次的分数都是由玩多少次产生的，分子是玩多少次然后开根号，分母是玩多少次然后乘以2，这样就会导致，最后把ucb的这个上置信界的值和你的期望做个+=，通过这个ucb的值来控制对玩的多机器越来越没欲望探索，对少的机器有很好的欲望来探索。我觉得学习这东西只要想弄，都贼简单，比如溜肉段，下图是我元旦自己做的溜肉段，得到了一致好评，我第一次做，看了一遍抖音就学会了，大家学强化学习，也一定要有溜肉段精神，只要目标定的对，其他的细节都是浮云了，拿时间就攻克了。
深度学习从入门到不想放弃-7
周博洋的博客
02-14 2866
它是沿什么方向达到的？因为既然是尝试求近似值，一次一次的去尝试，势必不能一次过大，容易超过损失函数的最优解（最优解为0,实际值减计算值，即y-y'），那可不可以特别的小，这个严格来说是可以的，但是这个会导致你训练收敛的速度变的过于慢，影响训练效率，这就引入了学习率的概念。我们以前讨论过，深度学习至少目前很多的方法并不是数学驱动的，而是计算驱动的，为什么通过计算驱动，主要是求得的这个函数F(x)，它是通过不断的try得到近似值，来反推出函数的各个组成部分的权重（系数），推导这些系数的方法就是梯度下降法。
深度学习从入门到不想放弃-6
周博洋的博客
01-18 1824
similar就是我们要的产品设计的相似度，d就是距离，所以我们通过分数的形式，完美诠释了反比，同时统一的相关性，因为d越大，similar就越小，d越小，similar就越大。我们先不看公式，看上图就行，就是比角，两个向量x，y夹角越大，就越不相似，夹角180度，就彻底分道扬镳了，夹角0度，可以认为两个向量就是一样的了, 夹角90度的时候两个向量叫正交。，大概意思能理解吧，就是在相似度比较的时候，d如果过大，那么s基本就平着走了，一些无关紧要的特别大的距离，就不用考虑了，因为没变化，所以说可以规避噪音。
深度学习从入门到不想放弃-1
周博洋的博客
12-03 998
上图最上面描述是机器学习的流程，如果让一个计算机理解输入的信息是一个汽车，那么需要人类做很多特征工程工作，就是提取出这个事物的一些特征信息然后交给机器去认知去处理，上图的下部分就是深度学习的领域，在深度学习领域最重要的就是它可以自动的提取数据的特征，进行处理。我们学过的初高中生物应该讲过，其实是神经元在传递彼此之间的电信号，神经元对经历的事件和刺激进行反应，每个神经元连接着若干个其他的神经元，各自有各自的电信号的阈值，当刺激超过阈值电信号就会在不同的神经元之间传递，进而在不同的神经元之间传递信息。
深度学习从入门到不想放弃-4
周博洋的博客
12-13 1219
因为我们做深度学习不太可能就一个自变量，所以要求偏导数，偏导数就是多个自变量，比如 Z=f(x，y), 而自变量y固定 这时它就是x的一元函数，这函数对x的导数，就称为二元函数Z对x的偏导数。比如下图，不管你是什么图形，比如这个向上的曲线就是y=x^2的一部分，我可以把它和x轴围成的线用若干个矩形表示，矩形越小，然后把许多个矩形加起来，就越和真实的面积拟合。也叫微积分基本定理。相反的如果你固定了x，那就是对y求偏导数了，以上讲的都是一阶偏导数，实际的计算中，一阶二阶都有，这里就不展开了，就知道概念就行。
深度学习从入门到不想放弃-5
周博洋的博客
12-31 1248
这个看起来似乎是合理，但是在实际场景中这么做，你的"搜广推"系统基本就废了，因为在消费场景里，年龄其实不能作为直接的特征来进行判断，就好比 一个32岁的男性，他不能等于(20岁男性+42岁男性)/2的消费能力。再比如，如果拿电商用户的年龄做特征，是否合理呢，可以根据不同的年龄来当成一个特征，用这个特征训练模型，在推理阶段，会给相应年龄的客户，推送符合年龄的商品。天然图片的长和宽就形成了400*400的一个矩阵，然后每个像素点描述一个RGB的三个颜色的强度，这就是一个天然的Tensor了。
深度学习---从入门到放弃（四）优化器
weixin_46263718的博客
08-17 665
深度学习—从入门到放弃（四）优化器 1.案例引入-MNIST手写数字识别 现代深度学习优化中的许多核心思想（和技巧）可以在训练 MLP 以解决图像分类任务的中进行说明。 在这里我们使用的是手写数字的 MNIST 数据集，上图为MNIST数据集的部分展示。 1.1 网络构建思路 1.网络种类：MLP 通常来说在对于图片的分类上，卷积神经网络（CNN）应用更为广泛且效果更好，但是鉴于目前只了解了MLP，那么请允许我用MLP来进行引入！ 在这里我们选择一个只有一个隐藏层的MLP。 2.数据输入 我们拿到的原始数
UNITY开发VR从入门到放弃---VR自学手册
热门推荐
qq_41853937的博客
03-31 2万+
如何快速学习VR开发，以及HTCvive的使用。
深度学习从入门到不想放弃-3
周博洋的博客
12-10 1030
第二，好饭不怕晚，而且我尽量写的细点，要不后面的东西实话说，真的很抽象，比如算Transformer 进来个embbeding的sequence，加上自注意力后，生成的多头QKV，是怎么转置相乘的(要是今天这个章节没看懂，那这块就是读不下去了)，乘出来的东西又怎么进残差，怎么做Layer Normal，为什么要再进2层FFN，又为什么只有第一层有激活，第二层不激。这里其实不可避免的引入了另一个概念，Tensor的连续性（contiguous），那么什么是Tensor的连续性，我们用下图说明。
安全帽头盔检测数据集 3类 12000张 安全帽数据集 voc yolo
阿利同学的博客
10-04 922
安全帽头盔检测数据集 3类 12000张 安全帽数据集 voc yolo
细说机器学习和深度学习
最新发布
moandaylab
10-08 705
神经网络，也称人工神经网络。人工神经网络是一种运算模型（就是输入输出的映射），由大量的节点（或称神经元）之间相互联接构成。运算模型指的是：从输入到输出的一种映射。每个神经元里存储着若干权重（weight）、偏置（bias）和一个激活函数（activation）。输入乘上权重加上偏置，经过激活函数得到输出。激活函数用于添加一些非线性变换。神经网络通常包含一个输入层、若干隐藏层、一个输出层。输入层通常不用于计算神经网络的层数。
国创——基于分离表示的人脸图像生成技术
2301_80073593的博客
10-01 1084
根据用户的个性化需求，对分离得到的形状和纹理表示进行调整。- 在DFGA框架的几何形状生成模块中，根据输入数据（可能是经过预处理的图像特征等），使用特定的算法或模型生成人脸的几何形状。- 分离表示旨在将人脸图像分解为不同的组件，如几何形状（面部结构）、皮肤纹理（颜色、细节等）等表示形式。- 将生成的几何形状和皮肤纹理进行融合，得到最终的个性化人脸图像或者视频帧（如果是从视频序列输入）。- 定义DFGA框架中的各个模块，如数据加载模块、几何形状生成模块、皮肤纹理生成模块、融合模块等。
【深度学习】—激活函数、ReLU 函数、 Sigmoid 函数、Tanh 函数
我们都是被分成两半的人，一边热爱生活，一边憎恨生活。面对生活，我们总是在矛盾的两端摇摆，在反复的矛盾和犹豫中，一边踉跄前行，一边重振旗鼓。我渴望改变，渴望变得更好，渴望找到出口……就像一个溺水人的挣扎，就像一个救生圈。我是一个矛盾集合体，想要变得快乐，但是
10-05 1049
我们已经了解了如何使用非线性激活函数（如 ReLU、sigmoid 和 tanh）来构建具有更强表达能力的多层神经网络。值得一提的是，如今借助开源的深度学习框架，只需几行代码即可快速构建模型，而在 20 世纪 90 年代，训练这些网络可能需要数千行 C 或 Fortran 代码。
基于深度学习的持续的知识积累与转移
weixin_42605076的博客
10-01 758
基于深度学习的持续知识积累与转移是指利用深度学习技术在多个任务或领域中有效地获取、更新和应用知识。这一过程能够提高模型在新任务上的性能，同时减少对大量标注数据的依赖。
深度学习的未来：推动人工智能进化的新前沿
2301_78944833的博客
10-04 1238
深度学习技术已经在多个领域展现了巨大的潜力，并正在改变我们的日常生活。从图像识别到自然语言处理，深度学习为我们带来了更加智能化的应用和服务。尽管面临数据依赖、计算资源、可解释性等挑战，但随着自监督学习、边缘计算和多模态学习等技术的不断进步，深度学习将继续推动人工智能的前沿发展，为各行各业带来更多创新和机遇。
深度学习---------------------------深度循环神经网络
Einstein·Jun
10-01 436
深度循环神经网络使用多个隐藏层来获得更多的非线性性。
深度学习07：PyTorch 中常见的 Tensor 创建方式与示例
2301_80744520的博客
10-05 493
通过本篇博客，你已经学会了 PyTorch 中常见的几种 Tensor 创建方式。它们在深度学习模型的构建、数据处理以及矩阵运算中都扮演着至关重要的角色。无论是初始化权重、生成随机数据，还是定义特定类型的 Tensor，都可以用这些方法高效实现。希望这篇博客能帮助你在实际项目中更好地应用 PyTorch！
AI Studio深度学习精选：从入门到实战
"AI Studio内容精选-9月刊，涵盖了深度学习从新手入门到实践应用的多个课程，包括Python基础、机器学习入门、PaddlePaddle的深度学习模型构建、计算机视觉（CV）的手写数字识别、自然语言处理（NLP）的文本分类以及...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值