- 博客(7)
- 收藏
- 关注
原创 PyTorch官方教程之6:迁移学习
《PyTorch官方教程中文版》,PyTorch之迁移学习 通常的做法是在一个很大的数据集上进行预训练得到卷积网络ConvNet,然后将这个ConvNet的参数作为目标任务的初始化参数或者固定这些参数。 下面是利用PyTorch进行迁移学习步骤,要解决的问题是训练一个模型来对蚂蚁和蜜蜂进行分类。 from __future__ import print_function, division import torch import torch.nn as nn import torch.optim as op
2022-03-16 16:34:27
2816
1
原创 torch.max使用示例
torch.max(input, dim) 取每行(dim=1)或每列(dim=0)的最大值, 加_,则返回一行中最大数的位置。 示例: import torch # 构造一个5x3随机初始化的矩阵 x = torch.rand(5, 3) print('input: ', x) print('-'*10) y1 = torch.max(x, 1) print('max by row: ', y1) print('-'*10) y2 = torch.max(x, 0) print('max by col:
2022-03-15 14:34:07
491
原创 PyTorch官方教程之5:numpy vs PyTorch
# 《PyTorch官方教程中文版》, PyTorch之小试牛刀 # PyTorch的核心之一:张量,类似于numpy,但可以在GPU上运行 # 在介绍PyTorch之前,本章节将首先使用numpy实现网络 # 代码解读参考: https://www.cnblogs.com/beer/p/8120487.html import numpy as np import torch # N是批大小; D_in是输入维度; H是隐藏的维度; D_out是输出维度。 N, D_in, H, D_out = 64
2022-03-14 11:57:16
2685
原创 PyTorch官方教程之4:PyTorch之数据加载和处理
# 《PyTorch官方教程中文版》, PyTorch之数据加载和处理 from __future__ import print_function, division import os import torch import pandas as pd # 用于更容易地进行csv解析 from skimage import io, transform # 用于图像的IO和变换 import numpy as np import matplotlib.pyplot as plt from torch.ut
2022-03-14 09:19:16
1733
原创 PyTorch官方教程之3:PyTorch图像分类器
# 《PyTorch官方教程中文版》, PyTorch图像分类器 import torch import torchvision import torchvision.transforms as transforms import matplotlib.pyplot as plt import numpy as np import torch.nn as nn import torch.nn.functional as F import torch.optim as optim # # read cifa
2022-03-11 18:03:49
1878
1
原创 PyTorch官方教程之2:PyTorch神经网络
# 《PyTorch官方教程中文版》, PyTorch神经网络 import torch import torch.nn as nn import torch.nn.functional as F from torchviz import make_dot from torchsummary import summary import hiddenlayer as h import torch.optim as optim # 1.定义神经网络(即模型),通常需要继承自nn.Module然后实现自己的l
2022-03-11 18:02:09
823
原创 PyTorch官方教程之1:学习tensor
# 《PyTorch官方教程中文版》, 学习tensor import torch # Part 1: tensor的创建 # 创建一个全1张量,设置 requires_grad=True 来跟踪与它相关的计算 # 创建一个Tensor时,使用requires_grad参数指定是否记录对其的操作,以便之后利用backward()方法进行梯度求解。 x1 = torch.ones(2, 2, requires_grad=True) print('x1: ', x1) # 构造一个5x3矩阵,不初始化。全
2022-03-11 18:00:38
1356
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人