PyTorch学习笔记
超级超级小天才
这个作者很懒,什么都没留下…
展开
-
PyTorch教程-8:举例详解TensorBoard的使用
PyTorch 教程系列:https://blog.csdn.net/qq_38962621/category_10652223.htmlPyTorch教程-8:举例详解TensorBoard的使用TensroBoard 是一个帮助我们对模型训练、数据处理等很有帮助的可视化工具,虽然这些可视化操作都可以通过代码配合matplotlib这些很好用的绘图库来实现,但是TensorBoard使得它变得更加简单。官方的一个简单教程:https://pytorch.org/tutorials/intermed原创 2020-12-14 15:52:13 · 1269 阅读 · 0 评论 -
PyTorch教程-7:PyTorch中保存与加载tensor和模型详解
PyTorch 教程系列:https://blog.csdn.net/qq_38962621/category_10652223.htmlPyTorch教程-7:PyTorch中保存与加载tensor和模型详解保存和读取TensorPyTorch中的tensor可以保存成 .pt 或者 .pth 格式的文件,使用torch.save()方法保存张量,使用torch.load()来读取张量:x = torch.rand(4,5)torch.save(x, "./myTensor.pt")y =原创 2020-12-14 00:36:40 · 41484 阅读 · 3 评论 -
PyTorch教程-6:详解PyTorch中的transforms
PyTorch 教程系列:https://blog.csdn.net/qq_38962621/category_10652223.htmlPyTorch教程-6:详解PyTorch中的transforms对于视觉方向的图像处理方面,PyTorch提供了很好的预处理接口,对于图像的转换处理,使用 torchvision.tranforms 模块使得这些操作非常高效。本文就介绍这个非常强大的工具,先引入transforms模块:import torchvision.transforms as transf原创 2020-12-13 22:01:37 · 3803 阅读 · 0 评论 -
PyTorch教程-5:详解PyTorch中加载数据的方法--Dataset、Dataloader、Sampler、collate_fn等
*PyTorch 教程系列:https://blog.csdn.net/qq_38962621/category_10652223.htmlPyTorch教程-5:详解PyTorch中加载数据的方法–Dataset、Dataloader、Sampler、collate_fn等数据读取是所有训练模型任务中最基础最重要的一步,PyTorch为数据集的读取、加载和使用提供了很好的机制,使得数据加载的工作变得异常简单而且具有非常高的定制性。Dataset、Dataloader、Sampler的关系PyTor原创 2020-12-13 22:00:24 · 2577 阅读 · 0 评论 -
PyTorch教程-4:PyTorch中网络的训练与测试
PyTorch 教程系列:https://blog.csdn.net/qq_38962621/category_10652223.htmlPyTorch教程-4:PyTorch中网络的训练与测试基本原理对于要训练的模型,首先我们需要定义其结构,实例化一个用于计算Loss的loss_function和一个用于更新参数的optimizer,之后的事情就比较简单了,只要准备训练数据,然后设定训练的代数(或者停止条件)就可以进行迭代的训练。最后保存模型。对于验证的模型,只要将数据传输进训练好的模型中就能得到预原创 2020-12-12 22:32:45 · 4806 阅读 · 0 评论 -
PyTorch教程-3:PyTorch中神经网络的构建与训练基础
PyTorch 教程系列:https://blog.csdn.net/qq_38962621/category_10652223.htmlPyTorch教程-3:PyTorch中神经网络的构建与训练基础基本原理在PyTorch中定义一个网络模型,需要让自定义的网络类继承自 torch.nn.Module,并且比较重要的是需要重写其 forward 方法,也就是对网络结构的前向传播做出定义,即在forward方法中,需要定义一个输入变量 input 是如何经过哪些运算得到输出结果的。这样,当一个网络作用原创 2020-12-12 20:29:32 · 815 阅读 · 0 评论 -
PyTorch教程-2:PyTorch中反向传播的梯度追踪与计算
PyTorch 教程系列:https://blog.csdn.net/qq_38962621/category_10652223.htmlPyTorch教程-2:PyTorch中反向传播的梯度追踪与计算基本原理torch.Tensor类具有一个属性 requires_grad 用以表示该tensor是否需要计算梯度,如果该属性设置为True的话,表示这个张量需要计算梯度,计算梯度的张量会跟踪其在后续的所有运算,当我们完成计算后需要反向传播(back propagation)计算梯度时,使用 .back原创 2020-12-12 10:59:17 · 11816 阅读 · 4 评论 -
PyTorch教程-1:PyTorch中的Tensor基础
PyTorch 教程系列:https://blog.csdn.net/qq_38962621/category_10652223.htmlPyTorch教程-1:PyTorch中的Tensor基础首先,引入PyTorch的模块:import torch设置运算资源使用 torch.cuda.is_avaliable() 来判断设备上的GPU是否可用,如果可用则返回True,使用 torch.device() 则可以参数指定计算资源:参数为"cpu"表示使用CPU计算参数为"cuda"原创 2020-12-10 22:18:02 · 953 阅读 · 0 评论 -
PyTorch教程-0:PyTorch的安装
PyTorch教程-0:PyTorch的安装安装PyTorch安装PyTorch参考如下的页面:https://pytorch.org/get-started/locally/根据自己电脑的系统、安装方式、CUDA版本、PyTorch版本等进行配置选择,然后复制下边的命令到命令行工具执行即可对于CUDA版本,这里介绍Windows系统的查看方式:在桌面右键选择 NVIDIA 控制面板,或者直接搜索“NVIDIA control panel”,再或者在右下角收起的程序中寻找。打开控制面板后选择上原创 2020-12-10 22:13:38 · 199 阅读 · 1 评论