![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
Pytorch深度学习实践-刘二大人
慢慢来8
这个作者很懒,什么都没留下…
展开
-
Pytorch深度学习实践-刘二大人-08加载数据集
Pytorch深度学习实践-B站刘二大人-08加载数据集笔记原创 2022-06-12 10:50:49 · 303 阅读 · 0 评论 -
Pytorch深度学习实践-刘二大人-07处理多维特征的输入
在此之前构造的网络模型,输入输出均是一维的。本节主要变化的是处理输入数据为多维情况时:改变的是输入的维度m和输出维度n:torch.nn.Linear(m,n)补充:矩阵乘法就是对于维度进行的变换,引入矩阵A,使得X从N维变成M维接下来按照网络模型来说,本节进行变化的是第1部分数据加载和第2部分设计模型:1.准备数据集:2.设计网络模型:实现的代码为:最后完整的代码为:...原创 2022-05-31 16:15:21 · 213 阅读 · 0 评论 -
Pytorch深度学习实践-刘二大人-06pytorch实现逻辑回归模型
import matplotlib.pyplot as pltimport torchimport matplotlib.pyplot as plimport numpy as npx_data = torch.Tensor([[1.0], [2.0], [3.0]])y_data = torch.Tensor([[0], [0], [1]])class LogisticRegressionModel(torch.nn.Module): # 构造函数:初始化对象默...原创 2022-05-27 11:42:51 · 372 阅读 · 0 评论 -
Pytorch深度学习实践-刘二大人-05pytorch实现线性模型
Pytorch的实现流程为:本节的课上代码为:import matplotlib.pyplot as pltimport torchx_data = torch.tensor([[1.0], [2.0], [3.0]]) # 3*1,1指的是维度,3是样本数y_data = torch.tensor([[2.0], [4.0], [6.0]]) # 3*1loss_list = []class LinearMode(torch.nn.Module): def __i原创 2022-05-16 18:21:52 · 227 阅读 · 0 评论 -
PyTorch深度学习实践-刘二大人-反向传播作业
import matplotlib.pyplot as pltimport torch# y = w1*x2 + w2 * x + b,注意超参数学习率的设置,这里设置为0.01x_data = [1, 2, 3]y_data = [2, 4, 6]loss_list = []w1 = torch.Tensor([1])w2 = torch.Tensor([1])b = torch.Tensor([1])w1.requires_grad = Truew2.requir...原创 2022-05-15 11:51:10 · 111 阅读 · 0 评论 -
Pytorch深度学习实践-刘二大人-反向传播demo
import matplotlib.pyplot as pltimport torch# y = w*xx_data = [1, 1.8, 2.5, 3.0]y_data = [2, 4, 6.9, 7.5]loss_list = []w = torch.Tensor([0.5])w.requires_grad = Truedef forward(x): return x * w #W是tensor,tensor的运算后是建立计算图def loss(x,.原创 2022-05-15 11:20:27 · 246 阅读 · 0 评论 -
Pytorch深度学习实践-刘二大人-梯度下降和随机梯度下降
梯度下降法:import matplotlib.pyplot as pltx_data = [1.0, 2.0, 3.0, 4.0]y_data = [2.0, 4.0, 6.0, 8.0]loss_list = []w = 1.0def forward(x): return w*xdef cost(xs, ys): sum = 0 for x, y in zip(xs, ys): pre_y = forward(x) ..原创 2022-05-12 15:32:24 · 304 阅读 · 0 评论 -
Pytorch深度学习实践-刘二大人-线性模型作业
import numpy as npimport matplotlib.pyplot as pltx_data = [1, 2, 3, 4]y_data = [2, 4, 6, 8]w_list = np.arange(0.0, 4.1, 0.1)b_list = np.arange(-2.0, 2.1, 0.1)w, b = np.meshgrid(w_list, b_list)def forward(x): return x * w + bdef loss(x, y.原创 2022-05-11 09:07:46 · 343 阅读 · 0 评论