![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
文章平均质量分 54
适合小白的进阶之道
qq_42819022
这个作者很懒,什么都没留下…
展开
-
02 线性代数实现
本文将结合代码简要介绍代数中向量点积、矩阵乘法、L2范数、矩阵的弗罗贝尼乌斯范数(Frobenius norm)等的实现 1、向量点积 torch.dot() 2、矩阵乘法 torch.mm() 3、矩阵乘于向量 torch.mv() 4、L2范数 其结果是一个标量 torch.norm() 5、L1范数 torch.abs().sum() 6、矩阵的弗罗贝尼乌斯范数(Frobenius norm) 本质是矩阵的所有元素的平方求和在开根号,做法其实就是将矩阵拉成一个向量后求其范数,可以直接使原创 2021-10-06 23:15:08 · 113 阅读 · 0 评论 -
02指定维度求和
高维张量指定维度求和总是让人摸不着头脑,接下来我将手把手教大家如何理解指定维度求和。 一、指定一个维度求和 1、二维 咱要记住,0维永远是最外层中括号里的元素,1维度是次外层中括号里的元素。所以在二维张量中指定0维度求和其实是所有行都相加,留下1维度(列);指定1维求和是所有列都相加,留下0维度(行)。 2、三维 咱要记住,0维度永远是最外层中括号里的元素,1维度是次外层中括号里的元素,则2维度是最里层的元素。所以在三维张量中指定0维求和其实是所有二维矩阵都相加,留下1维度和2维度组成的矩阵;指定1维度原创 2021-10-06 22:24:32 · 1906 阅读 · 0 评论 -
01数据操作
一、理解深度学习中的数据结构(数据存储结构) 1、0维的数据是一个数,常用来表示一个类别 2、1维的数据表示一个特征向量,不同的列代表不同的特征。 3、2维的数据是一个样本,每一行是一个特征向量,不同的列表示不同特征。 4、3维的数据常用来表示图像,3个维度分别是 宽 x 高 x 通道 5、4维的数据常用来表示批量图像,4个维度分别是 图像数 x 宽 x 高 x 通道 6、5维的数据常用来表示视频数据,5个维度分别是 视频 x 时间 x 宽 x 高 x 通道数 二、数据操作的实现 在pytorch原创 2021-10-02 22:38:38 · 346 阅读 · 0 评论