老程的技术笔记

这应该是Pytorch入门教程的最后一章，在前面的章节部分，给大家介绍了深度学习框架里最常见的三种神经网络，全连接网络、卷积网络以及循环网络。现在我们稍微多探讨一点，假设我们训练了一个足够精度的网络，我们接下来一定会考虑如何把这个网络应用到具体的开发中，这也就是所谓的前沿部署工作。文章目录正题开始前先随便闲聊一下带有智能的系统是如何构建的为什么需要前沿计算（Frontier Computation）选用Tensorflow还是PyTorch接下来才是正篇Step 1. 保存 PyTorch 模型Ste.

在前面的章节里，已经给大家介绍了什么是RNN网络的进阶型——LSTM网络的基本知识，如果不清楚的同学请移步到《Pytorch与深度学习 —— 10. 什么是长短期记忆网络》。在《Pytorch与深度学习 —— 9. 使用 RNNCell 做文字序列的转化之 RNN 入门篇》 这篇文章里，我提前做了一些简单的铺垫，例如独热向量等基础知识后，现在我们就正式开始回答在介绍RNN网络模型一开始便提到的姓名分类问题。文章目录回顾一下问题读取数据对文本进行编码使用 One-Hot-Vector 编码姓名对数据进行.

Pytorch与深度学习 —— 8. 什么是循环神经网络（Recurrent Neural Network）54/100保存草稿发布文章poisonchry未选择任何文件new文章目录RNN的基本结构它是如何工作的准备数据把文字转化为Torch可以识别的Tensor构建网络模型torch.nn.RNN主要参数说明input size 输出数据的维度hidden 隐藏层数据的维度输出说明output 输出数据的维度hnh_nhn​ 隐藏层最终输出测试结果Turn a Unicode string

上一章节里介绍了什么是循环神经网络后，在这一章里，我们来学习如何用RNN网络做一个简单的应用，我们把一个文本序列 “apple” 转化为另一个文本 “banana”，这一章的练习非常重要，因为很多文本分类任务会用到这篇文章里提到知识点。文章目录如何构建网络模型torch.nn.RNN主要参数说明input_size 输出数据的维度hidden_size 隐藏层数据的维度num_layers 网络层数的定义输出说明output 输出数据的维度hnh_nhn​ 隐藏层最终输出如何构建网络模型如果使用.

文章目录什么是循环神经网络循环神经网络的应用准备数据构建网络模型测试结果什么是循环神经网络循环神经网络的应用准备数据构建网络模型测试结果

文章目录在我们掌握了基本的FNN网络后，现在我们来看看FNN的改进型CNN技术吧。

文章目录在前一篇文章里给大家示范了一下如何用Pytorch构建最基础的全连接训练网络，并且写了一个基于FNN的MNIST手写数字识别器。在这一章里，我们将进一步研究如何使用CUDA加速网络的收敛过程。...

文章目录题外话：目前的AI能做什么数据集！数据集！数据集！目前可用的开源数据集题外话：目前的AI能做什么目前我们使用AI技术，最主要的应用方向在四大类，其中之一时自然语言处理（NLP：Nature Language Processing），它包含语音识别、声音识别、语义分析、文本分析等；而对于数字图像处理（Digial Image Processing），包含人脸检测、人体体态识别、物体识别、运动识别、图像分离等，最近这几年随着AI的兴起和技术积累，沉积多年的计算机图形技术也重新焕发生机，出现一些虚拟

文章目录构建神经元网络模型的基本范型构建网络模型选择优化和损失函数构建迭代过程结果验证在没有任何基础的前提下，直接学习如何搭建神经网络，意义其实不大。我建议你如果因为读研或者好奇而开始学神经元网络，建议你先看看我前面写的基础知识内容后，再回来学习内容。深度学习知识总结—— 1.1. 什么是梯度下降深度学习知识总结—— 1.2.梯度下降算法实现深度学习知识总结—— 2. 计算图与反向传播深度学习知识总结—— 3. 激活函数与非线性输出深度学习知识总结—— 4. 神经元网络与矩阵运算当然，理解以上

如果你想用宇宙第一好用的 C/CXX 编译器 Visual Studio 来安装部署 PyTorch 的 Windows 应用，但是不知道该怎么办好，那么这一篇也许能告诉你答案。文章目录前期准备Visual StudioLibTorch创建MSVC工程把LibTorch拷贝到工程目录下工程链接配置参数准备测试用例拷贝dll动态库前期准备Visual Studio尽管在 Windows 平台上也是可以通过部署CMake工程，来编译 Windows 版的 PyTorch 应用。但是我们放着宇宙第一好.

PyTorch 之所以会成为和 Tensorflow 并驾齐驱的两大深度学习框架，除了 PyTorch 有极其好用的动态计算图技术外，还在于它的相对开放和自由。此外，PyTorch 还添加了对C/C++/Java等语言的支持，这意味着我们可以先通过Python调试好模型后，再把模型送到 C/Java 为主的应用环境里，为程序赋能。接下来的这篇文章将介绍如何在 Linux 环境下部署 C/C++ 的Torch应用。文章目录下载 PyTorch C/C++ 库下载 PyTorch C/C++ 库首先.