PyTorch深度学习
文章平均质量分 52
PyTorch深度学习
https://www.bilibili.com/video/BV1Y7411d7Ys?p=1
一只大鸽子
Python, Django,Pygame,PyQt.
展开
-
深度学习环境配置(Ubuntu+Anaconda)
写在前面:学习深度学习时经常要复现别人的代码,不同的代码通常需要不同的环境(例如python2\python3, tensorflow1\tensorflow2),使用anaconda创建虚拟环境就可以很好的配置和管理不同环境。深度学习通常在Linux上训练,本文记录了Ubuntu下安装及使用Anaconda,并创建一个tensorflow_gpu=1.15.0的过程。Ubuntu安装anaconda 介绍、安装、配置_haeasringnar的博客-CSDN博客_ubuntu安装ancondaTen.原创 2022-02-23 17:54:37 · 2703 阅读 · 0 评论 -
7.处理多维特征的输入
多维输入逻辑斯蒂回归多层网络import torchimport torch.nn.functional as Fimport numpy as npimport matplotlib.pyplot as plt# 1.准备数据,从csv文件读取xy = np.loadtxt('diabetes.csv.gz', delimiter=',', dtype=np.float32)x_data = torch.from_numpy(xy[:,:-1])y_da...原创 2021-06-29 12:36:12 · 229 阅读 · 0 评论 -
6.逻辑斯蒂模型
import torchimport torch.nn.functional as Fimport numpy as npimport matplotlib.pyplot as plt# 1.准备数据,注意都是矩阵形式x_data = torch.Tensor([[1.0], [2.0], [3.0]])y_data = torch.Tensor([[0], [0], [1]])# 2.设计模型(类) 继承nn.Module 以便使用其方法class LogisticRegr...原创 2021-06-10 17:11:41 · 1754 阅读 · 0 评论 -
5、使用PyTorch 实现线性回归
使用PyTorch 实现线性回归(4步):1、构建数据集2、设计模型(使用类)3、构造损失函数(loss)和优化器(optimizer)4、训练周期(前馈、反馈、更新)1、准备数据#1.准备数据,注意都是矩阵形式x_data = torch.Tensor([[1.0], [2.0], [3.0]])y_data = torch.Tensor([[2.0], [4.0], [6.0]])2、设计模型2.设计模...原创 2021-06-02 16:45:40 · 416 阅读 · 0 评论 -
四、反向传播 back propagation
四、反向传播 back propagation教程来自《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibili一、原理1.1 计算图在简单的线性模型中,我们可以通过数学推导求出梯度公式。在复杂网络中,因为太复杂,无法直接数学计算梯度公式。考虑将这样的复杂网络看成是图,我们在图上传播梯度,最后根据链式求导求出梯度(反向传播)。计算图(一个简单的二层神经网络)由于可以线性展开,这样就等于一个网络,中间计算的权重就没有意义。所以我们要加上一个...原创 2021-06-02 16:36:30 · 188 阅读 · 0 评论 -
《PyTorch深度学习实践》--3梯度下降算法
一、.在第二节中的线性模型中,求解w的最优值(使得MSE最小的w)问题。从图中可以看出:w=2时,MSE最小。(即最优)二、求解最优w问题的方法2.1梯度下降(Gradient Descent)算法:w按梯度下降方向移动,这样一定次数的移动后就会移动到最优解。(a为学习因子,影响每次移动的步长,越小越精确但时间复杂度也会变高)通过求导,可以求出具体的表达式,根据表达式就可以写出代码。x_data = [1.0, 2.0, 3.0]y_data = [2.0, 4.原创 2021-04-24 21:18:47 · 567 阅读 · 1 评论 -
《PyTorch深度学习实践》--2线性模型
对于以上一组数据x,y,为了预测接下来的x对应的y,我们选择一个模型。这里选择线性(Linear Model)模型为了简化,下面的例子去掉了b.为了评价模型,引入MSEimport numpy as npimport matplotlib.pyplot as pltx_data = [1.0, 2.0, 3.0]y_data = [2.0, 4.0, 6.0]def forward(x): return x * wdef loss(x,y): ...原创 2021-04-22 12:03:49 · 189 阅读 · 0 评论