![](https://img-blog.csdnimg.cn/20201014180756922.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
pytorch
luoganttcc
微信:luogantt
展开
-
argparse基本用法
关于argparse网上的资料好多,搞明白后自己整理下,方便以后查看。argparse 是python自带的命令行参数解析包,可以用来方便地读取命令行参数。它的使用也比较简单。 1.基本框架 下面是采用argparse从命令行获取用户名,该python的文件名为:fun_test.py import argparse def main(): parser = argparse.ArgumentParser(description="Demo of argparse") parser.add原创 2021-12-26 19:33:50 · 92 阅读 · 0 评论 -
神经网络稀疏训练
对于每一个通道都引入一个缩放因子,然后和通道的输出相乘。接着联合训练网络权重和这些缩放因子,最后将小缩放因子的通道直接移除,微调剪枝后的网络,特别地,目标函数被定义为: 其中(x,y)代表训练数据和标签,是网络的可训练参数,第一项是CNN的训练损失函数。是在缩放因子上的乘法项,是两项的平衡因子。论文的实验过程中选择,即正则化,这也被广泛的应用于稀疏化。次梯度下降法作为不平滑(不可导)的L1惩罚项的优化方法,另一个建议是使用平滑的L1正则项取代L1惩罚项,尽量避免在不平滑的点使用次梯度。 这里的缩放因子就是原创 2021-12-09 14:57:58 · 4662 阅读 · 0 评论 -
torch 的 unsqueeze用法
import torch a=torch.tensor([[3.0000, 3.0000], [3.0000, 4.0000], [3.6000, 3.0000], [3.5000, 3.0000]]) ''' 0 m ,n------> 1,m,n 1 m ,n------> m,1,n 2 m ,n------> m,n,2 k m ,.....,n------> m,.原创 2021-06-15 14:35:37 · 3946 阅读 · 0 评论 -
torch expand
expand 就是对那个维度为一的进行扩张 import torch a=torch.tensor([[3.0000, 3.0000], [3.0000, 4.0000], [3.6000, 3.0000], [3.5000, 3.0000]]) a1=a.reshape([a.shape[0],a.shape[1] ,1]) #a1.shape==[4, 2, 1] #对那个维度为一的进行扩张 a2=a1.expand([4,2,9]) prin原创 2021-06-15 18:08:00 · 831 阅读 · 0 评论 -
pytorch 训练minist
from __future__ import print_function import argparse import torch import torch.nn as nn import torch.nn.functional as F import torch.optim as optim from torchvision import datasets, transforms from torch.optim.lr_scheduler import StepLR class Net(nn.Mod原创 2021-12-09 12:47:21 · 297 阅读 · 0 评论 -
pytorch 自动求导
# -*- coding: utf-8 -*- # -*- coding: utf-8 -*- import torch import math dtype = torch.float device = torch.device("cpu") # device = torch.device("cuda:0") # Uncomment this to run on GPU # Create Tensors to hold input and outputs. # By default, require原创 2021-03-05 17:32:14 · 138 阅读 · 0 评论 -
pytorch 反向求导
import torch import math dtype = torch.float device = torch.device("cpu") # device = torch.device("cuda:0") # Uncomment this to run on GPU # Create random input and output data x = torch.linspace(-math.pi, math.pi, 2000, device=device, dtype=dtype) y =原创 2021-03-05 17:29:26 · 285 阅读 · 0 评论 -
pytorch 入门(一)手写数字识别
import torch from torch.autograd import * from torch import nn,optim from torch.utils.data import DataLoader from torchvision import datasets,transforms class Batch_Net(nn.Module): def __init...原创 2018-10-06 19:15:32 · 829 阅读 · 0 评论 -
pytorch 入门(二) cnn 手写数字识别
import torch import torch.nn as nn import torchvision.datasets as normal_datasets import torchvision.transforms as transforms from torch.autograd import Variable num_epochs = 1 batch_size = 100 learn...原创 2018-10-06 20:46:16 · 670 阅读 · 0 评论