![](https://img-blog.csdnimg.cn/20201014180756916.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
从零开始学习Pytorch
菜鸟12134
小小菜鸟,很少烦恼,眼望四周野火飘。
展开
-
如何在Pytorch中使用TensorBoard
TensorBoard:TensorFlow中强大的可视化工具原创 2020-06-22 22:51:49 · 707 阅读 · 0 评论 -
Pytorch中的卷积操作——nn.Conv2d, nn.ConvTranspose2d
前言pytorch中用nn.Module实现卷积操作总共有3种Conv1d, Conv2d, Conv3d而这三种方式只是卷积核在不同的维度上进行卷积的结果,基本参数一致,这里以Conv2d为例进行介绍。nn.Conv2d(in_channels, out_ channels, kernel_ size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode=’ zeros’ )功能:对多个二维信号进行二维卷积主要参数原创 2020-06-16 20:57:56 · 1435 阅读 · 0 评论 -
Pytorch之nn.Module和Containers三种搭建模型方式
torch.nnnn.Parameter:张量子类表示可学习参数,如weight, biasnn.Module:所有网络层基类,管理网络属性nn.functional:函数具体实现,如卷积、池化、激活函数等nn.init:参数初始化方法nn.Module中重要属性parameters:存储管理nn.Parameter类modules:存储管理nn.Module类buffers :存储管理缓冲属性,如BN层中的running_ mean***_hooks:存储管理钩子函数self.原创 2020-06-16 15:44:25 · 220 阅读 · 0 评论 -
Pytorch之图像预处理transforms(常用操作汇总)
Pytorch Transforms操作汇总数据增强(Data Augmentation)torchvision计算机视觉工具包torchvision.transforms :常用的图像预处理方法transforms.Compose (transforms)1.图像裁切(Crop)transforms.RandomCrop(size, padding=None, pad_if_needed=False, fill=0, padding_mode='constant')transforms.CenterCro原创 2020-05-15 16:43:27 · 10674 阅读 · 0 评论 -
从零开始入门学习pytorch之DataLoader和Dataset
torch.utils.data.DataloaderDataLoader( dataset,batch_ size=1,shuffle=False,sampler=None,batch_ sampler=None ,num workers=0,collate_ fn=None ,pin_ memory=False,drop_ last=False,timeout=0 ,worker_ init_ fn=None ,multiprocessing context=None )功能:原创 2020-05-13 20:13:48 · 247 阅读 · 0 评论 -
从零开始入门学习pytorch之逻辑回归
逻辑回归简介逻辑回归是线性的二分类模型,是分析自变量x和因变量y(概率)之间关系的方法模型表达式:f(x)称为sigmoid函数,也称为Logistic函数,其图像如下图所示将输入x映射到输出y上,然后通过逻辑回归函数将f(x)大于0.5令为标签1,而小于0.5为标签0,对输入的x进行二分类的逻辑回归。代码实现import torchimport torch.nn as nnimport matplotlib.pyplot as pltimport numpy as nptorch原创 2020-05-13 12:28:46 · 612 阅读 · 0 评论 -
从零入门学习pytorch之自动求导系统autograd
torch. autograd.backward(tensors, grad_ tensors=None, retain_ graph=None, create_ .graph=False)功能:自动求取梯度tensors:用于求导的张量,如lossretain_ graph:保存计算图create_ graph :创建导数计算图,用于高阶求导grad_ tensors :多梯度权重torch. autograd. grad (outputs, inputs,原创 2020-05-13 00:02:23 · 131 阅读 · 0 评论 -
从零开始学习pytorch之计算图与动态图机制
计算图(Computational Graph)前言在学习了张量的一系列操作后,我们知道深度学习就是对张量进行计算和操作。随着张量种类和计算的增多,会导致各种各样想不到的问题,比如我们多个操作之间该并行还是顺序执行;如何协同各种底层设备以及如何避免各种冗余的操作等等,这些问题都会影响到我们的运算效率,甚至都会引入到一些不必要的bug,而计算图就是为了解决这一个问题而产生的。计算图是用来描述运算的有向无环图。计算图有两个主要元素:节点(Node)和边(Edge),节点表示数据,如向量、矩阵;张原创 2020-05-10 00:11:59 · 627 阅读 · 0 评论 -
从零开始学习pytorch之线性回归
代码实现代码实现较简单,且注释很完整就不在一一赘述。import torchimport matplotlib.pyplot as plt# 随机数种子,保证每次随机数产生是一样的torch.manual_seed(10)# 学习率lr = 0.1# 创建数据集20个点(x,y)x = torch.rand(20,1)*10y = 2*x + (5 + torch.randn(20, 1))# 初始化可训练指标w和bw = torch.randn((1), requires_grad原创 2020-05-09 12:11:56 · 248 阅读 · 0 评论 -
从零开始学习Pytorch之张量的数学运算
一、加减乘除torch.add(input, alpha=1, other, out=None)功能:逐元素计算input+alpha×other·input:第一个张量·alpha:乘项因子·other:第二个张量t1 = torch.randn((3,3))#3×3的标准正态分布矩阵t2 = torch.ones_like(t1)t_add = torch.add(t1, 10, t2)print('t1:\n{}\nt2:\n{}\nt_add:\n{}'.format(t1,t2,原创 2020-05-08 18:59:51 · 647 阅读 · 0 评论 -
从零开始学习pytorch之张量的操作:拼接、切分、索引和变换
张量的拼接torch.cat(tensors, dim=0, out=None)功能:将张量按维度dim进行拼接·tensors:张量序列·dim:要拼接的维度import torcht = torch.ones((2,3))t_0 = torch.cat([t,t], dim=0)t_1 = torch.cat([t,t], dim=1)print('t_0:{} shape:{}\nt_1:{} shape:{}'.format(t_0,t_0.shape,t_1,t_1.shape)原创 2020-05-08 17:39:24 · 415 阅读 · 0 评论