qq_55833984的博客

原创 Pytorch安装缓慢，不使用镜像源加速下载（其他国内、国外资源也适用）

在安装Pytorch时，若使用官网下载路径十分缓慢，一般情况下大家都会使用国内镜像进行下载。使用镜像源方式安装的人比较多，但是也存在安装不了的情况，比如镜像源中没有相关的安装包。为了加速，我在这里使用了下载工具IDM，全称是Internet Download Manager，是一种多线程下载工具，可以提升下载文件的速度。CPU版本在torch版本号的“+”后面显示“cpu”，若是GPU版本则在“+”后面显示“cu”。将鼠标移动到需要下载的资源上面，右键选择使用IDM下载或者是复制链接到IDM下载。

原创 Pycharm 2023 安装后，优化设置

此优化设置是个人感觉交互体验比较好，推荐给大家，不喜勿喷。在完成Pycharm下载后，第一步，汉化。在菜单栏顶部选择“File”，然后点击“Settings”，选择“Plugins”，在搜索框中输入“Chinese”。安装完成后，点击“ Restart IDE”重启Pycharm便实现了汉化。

原创 全新电脑，一站式指南：Anaconda、Pycharm 、Cuda与Pytorch的完整安装流程

PyTorch 是一个广泛使用的深度学习框架，CUDA（Compute Unified Device Architecture）是 NVIDIA 推出的一种并行计算平台和编程模型，用于支持Pytorch加速模型训练，本文介绍了Pytorch、Cuda、Cudnn、Anaconda与Pychram安装教程，供大家参考。

原创 基于随机选择和贝尔曼方程(Bellman Equation҅)的 Q 矩阵计算在状态转移中的应用

我们知道强化学习中最重要的就是状态转移公式，也成为Bellman Equation҅，公式如下：其中Q是一个二维的矩阵，用于记录在不同状态下采取不同动作所获得的预期累计奖励值（本文理解为探索最优路径时累计的分数）。

原创 基于 PyTorch 实现几种不同的卷积神经网络（Alexnet、Vgg、Googlenet、Resnet、densenet）并在CIFAR10数据集上完成分类实验

本文主要介绍了使用 PyTorch 实现多种卷积神经网络（Alexnet、VGG、Googlenet、Resnet、Densenet）在 CIFAR10 数据集上的应用。包括获取并批处理 CIFAR10 数据，建立训练模型的函数、绘制可视化图像函数等公共组成部分。详细阐述了每种网络的结构、相关函数的定义、模型的构建过程、训练及绘制变化图的代码，还对 Densenet 与 Resnet 的结构差异进行了说明。

原创 基于Pytorch的不同优化算法（Adagrad、RMSProp、AdaDelta、Adam四种）在 MNIST 数据集上的性能比较与可视化

本文主要介绍了Adagrad、RMSProp、AdaDelta、Adam四种经典的深度学习的优化算法。在以往文章中展示了深度学习的简单框架，在其基础上通过修改优化器便能得到不同优化方法的结果。下面将只展示修改的优化器部分。

原创 PyTorch中MNIST 数据集的动量与非动量 SGD 对比实验的深度学习练习

以相同的方式创建没有使用momentum的随机梯度下降的参数优化策略。由结果我们不难看出，动量法相对于普通的随机梯度下降方法能更快的收敛。导入数量数据集，并使用迭代器封装为64个数据一批。创建用于统计损失值的list、损失函数以及优化器。开始训练momentum模型，训练5轮。创建损失值统计list、损失函数、优化器。先暂时将上述输出结果绘图。使用时间：18.29006。所用时间：17.92504。以相同的方式训练模型.首先建立神经网络如下。

原创 基于 PyTorch 的 MNIST数字图像数据集分类模型训练与评估的简单练习

实现简单的神经网络，训练模型并测试。

原创 cuda与cudnn完成安装，torch.cuda.is_available()返回结果为False的解决方案

但是torch.cuda.is_available()返回仍为False（即无法调用cuda实现GPU加速），从上面返回的结果可以知道我的显卡（GeForce MX250）不支持卷积内核。从官网查找到能支持cuda的显卡的类型。大家可以在安装cuda之前确认自己的显卡是否支持cuda再进行安装，不然浪费精力又浪费时间。

原创 解决问题The current user does not have write permissions to the target environment.