程序媛养成第0天--pytorch入门学习

本篇基于《深度学习框架-pytorch入门与实践》陈云  

有一起监督学习打卡的小伙伴请私信

 2.2 pytorch入门第一步

2.2.1 Tensor

# 分配矩阵空间但不初始化

#使用 [0-1] 随机初始化二维数组

#使用 初始化全为1的二维数组

#查看形状 ==2种 // 查看某一行某一列的形状

# 加法 ==5种    (1123第一次练习第三四五种出错)

#改变数值的加法 不改变数值的加法

#切片 取一行/一列

# numpy转tensor  

#tensor转numpy  共享内存  只有tensor才可以用add_()函数

#使用cuda

2021.11.25  摸鱼了一天 剑哥刚通知三个小时后检查我学到哪里了 肝!

2.2.2 Autograd 自动微分

深度学习算法的本质是通过反向传播求导数 

autograd.Variable 包含data grad grad_fn三种属性。data存储Tensor, grad储存Tensor的梯度,他们都是Variable。grad_fn指向Function

In [1]: import torch as t

In [2]: import torch.nn as nn

# 参数依次为batch_size, 通道数,长,宽

In [3]: inp = t.ones(1,1,9,9)

# 参数依次为输入通道数,输出通道数,卷积核

In [4]: con1 = nn.Conv2d(1,1,3)

#新增两个参数分别为步长,padding数

In [5]: con2 = nn.Conv2d(1,1,3,2,1)

In [6]: out1 = con1(inp)
[W NNPACK.cpp:79] Could not initialize NNPACK! Reason: Unsupported hardware.

#分析原因:网络问题

In [7]: out1 = con1(inp)

In [8]: out2 = con2(inp)

In [9]: out1.shape
Out[9]: torch.Size([1, 1, 7, 7])

#计算公式  输入(9)+1 - 卷积核数(3)=7

In [10]: out2.shape
Out[10]: torch.Size([1, 1, 5, 5])
#计算公式  输入(9)+padding(1*2) 视为12

12 + 1 - 卷积核数(3) 最后除以二 =5

卷积的本质是 输入和卷积核对应格相乘,然后把这9个积加起来,最后加bias (Wx+b)

maxpooling 是采样 只采最大的 即权重最大 可能为目标的概率最大

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
### 回答1: BERT-NER-PyTorch是一个基于PyTorch深度学习框架的BERT命名实体识别(NER)模型。BERT是一种在大规模未标记文本上训练的预训练模型,它可以用于各种自然语言处理任务。 BERT-NER-PyTorch利用已经使用大量标记数据进行预训练的BERT模型的表示能力,进行命名实体识别任务。命名实体识别是指从文本中识别特定实体,如人名、地名、组织、日期等。通过使用BERT-NER-PyTorch,我们可以利用预训练的BERT模型来提高命名实体识别的性能。 BERT-NER-PyTorch的实现基于PyTorch深度学习框架,PyTorch是一个用于构建神经网络的开源框架,具有易于使用、动态计算图和高度灵活的特点。通过在PyTorch环境下使用BERT-NER-PyTorch,我们可以灵活地进行模型训练、调整和部署。 使用BERT-NER-PyTorch,我们可以通过以下步骤进行命名实体识别: 1. 预处理:将文本数据转换为适合BERT模型输入的格式,例如分词、添加特殊标记等。 2. 模型构建:使用BERT-NER-PyTorch构建NER模型,该模型包括BERT预训练模型和适当的输出层。 3. 模型训练:使用标记的命名实体识别数据对NER模型进行训练,通过最小化损失函数来优化模型参数。 4. 模型评估:使用验证集或测试集评估训练得到的NER模型的性能,例如计算准确率、召回率和F1分数等指标。 5. 模型应用:使用训练好的NER模型对新的文本数据进行命名实体识别,识别出关键实体并提供相应的标签。 总之,BERT-NER-PyTorch是一个基于PyTorch的BERT命名实体识别模型,通过利用预训练的BERT模型的表示能力,在命名实体识别任务中提供了灵活、高效和准确的解决方案。 ### 回答2: bert-ner-pytorch是一个基于PyTorch框架的BERT命名实体识别模型。BERT是一种基于Transformer架构的预训练模型,在自然语言处理任务中取得了很好的效果。NER代表命名实体识别,是一项重要的自然语言处理任务,旨在从文本中识别和标注出特定类型的命名实体,如人名、地点、组织等。 bert-ner-pytorch利用预训练的BERT模型作为输入,结合神经网络模型进行命名实体识别。它通过将输入文本转化为BERT模型能够接受的格式,并在其上进行微调训练来提高NER的性能。具体来说,该模型首先使用BERT模型对文本进行编码,将文本中的每个单词转化为其对应的向量表示。然后,这些向量通过一层或多层的神经网络模型,以预测每个单词是否属于某个命名实体类别。 利用bert-ner-pytorch模型,我们可以将其应用于各种实际场景中,如信息抽取、问题回答、智能问答系统等。通过对输入文本进行命名实体识别,我们可以更好地理解文本中所包含的实体信息,从而为后续的处理与分析提供更多的潜在价值。 需要注意的是,bert-ner-pytorch模型是一个基础的NER模型,它需要根据具体的任务和数据进行进一步的训练和优化。同时,BERT模型本身也有一些限制,如较高的计算资源要求和模型大小。因此,在实际使用时,我们可能需要结合具体需求,对模型进行调整和优化,以适应不同的场景和数据。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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