![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
神经网络
?-ldl
这个作者很懒,什么都没留下…
展开
-
学习pytorch(四)简单RNN举例
import torch#简单RNN学习举例。# RNN(循环神经网络)是把一个线性层重复使用,适合训练序列型的问题。单词是一个序列,序列的每个元素是字母。序列中的元素可以是任意维度的。实际训练中,# 可以首先把序列中的元素变为合适的维度,再交给RNN层。#学习 将hello 转为 ohlol。dict=['e','h','l','o'] #字典。有4个字母x_data=[1,0,2,2,3] #输入hello在字典中的引索x_data=torch.LongTensor(x_data) #后原创 2021-02-10 18:59:29 · 1277 阅读 · 0 评论 -
学习pytorch(三)简单卷积神经网络训练MNIST(利用GPU计算)
简单卷积神经网络训练MNIST(利用GPU计算)本篇不分享神经网络的知识,只分享pytorch下如何构建简单的卷积神经网络模型并让模型学习MNIST手写数字识别。学习和预测过程利用GPU计算减轻cpu的负担。在pytorch中,把计算工作交给GPU的操作很简单,操作都用python ‘’’ ‘’’ 注释标出import torchfrom torchvision import datasets #这个包包含了多个数据集,这些数据集都是torch.nn.datasets类的子类。可以供DataLoade原创 2021-02-08 15:36:32 · 969 阅读 · 0 评论 -
学习pytorch(二)pytorch自带的工具实现简单的线性模型
在上一篇博客中,我是用手动的方式管理和更新权重的。在pytorch中,这些其实可以自动完成。下面分享下用pytorch构建简单模型并训练的学习收获。有4个步骤。1.获得数据集2.构建模型(这里用pytorch自带的单元链接拼凑成一个模型。3.构建损失计算器和权值优化器。损失计算器用来计算模型得到的预测值相对于真实值的损失。优化器用来调整权值,通过权值调整,使得模型能够逐渐实现我们的目的。损失计算器和权值优化器都是pytorch自带的。4.开始训练。import torchx_data=torc原创 2021-02-04 13:09:49 · 222 阅读 · 0 评论 -
学习pytorch(一) 利用pytorch 构建计算图,进行最简单的机器学习。
import torch#构建的例子模型是线性模型 y=w*xx_data=[1.0,2.0,3.0]y_data=[2.0,4.0,6.0]w=torch.tensor([1.0]) #构建一个1阶张量,就是一个一维数组。张量是神经网络的计算单元w.requires_grad=True #这个张量是需要计算梯度的,默认不计算,让张量计算梯度,才能进行反向传播def forward(x): return x*w #*号已经被重载了。x会转换为张量。张量的运算实际上是在构建计算图。 .原创 2021-02-04 10:04:19 · 851 阅读 · 0 评论