Pytorch学习
文章平均质量分 75
偷走心灵的告白
这个作者很懒,什么都没留下…
展开
-
PyTorch-区分鸟和飞机:从图像学习
我们构建的模型有一个严重的缺陷:我们一直将二维图像当作一维来处理。此外,我们没有一个自然的方法来整合全连接层的平移不变性。解决当前面临的问题的方法是改变我们的模型——使用卷积层。原创 2023-01-08 21:23:46 · 232 阅读 · 1 评论 -
PyTorch-使用神经网络拟合数据
相反,从一个通用的、未经训练的模型开始,我们通过为它提供一组输入和输出以及一个可以反向传播的损失函数,使它专门处理某项任务。综合起来,所有这些组成了一个非常强大的机制:在一个由线性+激活单元构成的网络中,当不同的输入呈现给网络时,不同的单元会对相同的输入在不同范围内响应;这些复杂函数的基本构件是神经元,其核心就是输入的线性变换(如,将输入乘以一个数字【权重】,加上一个常数【偏置】),然后应用一个固定的非线性函数,即激活函数。深度学习的核心是神经网络:一种能够通过简单函数的组合来表示复杂函数的数学实体。原创 2023-01-04 21:32:20 · 518 阅读 · 0 评论 -
PyTorch-学习的机制
为了优化参数模型,即它的权重,权重单位变化后的误差变化(误差相对参数的梯度)是使用复合函数的导数的链式法则计算的(反向传播)。我们将建立一个数据集,以我们选择的单位来表示刻度值和相应的温度值,选择一个模型,迭代地调整它的权重,直到误差的度量足够低,最终能够以我们选择的单位来解释新的刻度值。通过对模型和损失的重复评估来探测损失函数在w和b领域的行为,计算变化率,这在参数较多的模型中不太合适。在一个有2个或2个以上参数的模型中,我们计算每个参数的损失导数,并将它们放入一个导数向量中,即梯度。原创 2023-01-04 18:05:56 · 87 阅读 · 0 评论 -
PyTorch-使用张量表征实际数据
图像被表示为一个排列在具有高度和宽度的规则网格的标量集合中,其中高度和宽度以像素为单位。创建一个多图像的数据集作为神经网络的输入,沿着第一维批量存储图像,以获得一个N×C×H×W的张量。无论介质是什么,它都是一张表,每行包含一个样本或记录,其中的列包含关于样本的一部分信息。给定一个已知的H×W×C的输入张量,我们布局不同通道,从而得到一个合适的布局。我们可以将分数视为一个连续变量,把它当作一个实数,然后执行回归任务,或者将其视为一个标签,并尝试在分类任务中根据化学特征分析猜测标签。原创 2023-01-02 21:18:38 · 167 阅读 · 0 评论 -
PyTorch-从张量开始
张量是PyTorch中基本的数据结构。张量是一个数组,也就是一种数据结构,它存储了一组数字,这些数字可以用一个索引单独访问,也可以用多个索引访问。原创 2023-01-01 23:33:28 · 185 阅读 · 0 评论 -
Pytorch-预训练网络
我们可以把预训练的神经网络看作一个接收输入并生成输出的程序,该程序的行为是由神经网络的结构以及它在训练过程中所看到的样本所决定的,即期望的输入-输出对,或者期望输出应该满足的特性。我们可以在Pytorch中加载和运行这些预训练好的模型。原创 2022-12-30 18:33:27 · 1099 阅读 · 0 评论