![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
人工智能
文章平均质量分 81
rothschildlhl
举头低北斗,挥剑破苍穹。
展开
-
安装DGL注意事项
安装DGL注意事项原创 2024-02-29 16:01:44 · 1858 阅读 · 0 评论 -
基于Pytorch使用GPU运行模型方法及可能出现的问题解决方法
在基于pytorch深度学习进行模型训练和预测的时候,往往数据集比较大,而且模型也可能比较复杂,但如果直接训练调用CPU运行的话,计算运行速度很慢,因此使用GPU进行模型训练和预测是非常有必要的,可以大大提高实验效率。如果还没有配置好运行环境的博友们可以参考下面博主的文章。原创 2022-10-21 18:59:12 · 2967 阅读 · 0 评论 -
CommandNotFoundError: Your shell has not been properly configured to use ‘conda activate‘.简单解决方案
CommandNotFoundError: Your shell has not been properly configured to use 'conda activate'.简单解决方案原创 2022-10-20 18:58:34 · 53535 阅读 · 17 评论 -
基于Pytorch运行中出现RuntimeError: Not compiled with CUDA support此类错误解决方案
基于Pytorch运行中出现RuntimeError: Not compiled with CUDA support此类错误解决方案及基于Pytorch中安装torch_geometric可以命令模式安装方法原创 2022-10-07 16:55:22 · 9301 阅读 · 0 评论 -
基于linux远程服务器端配置paddlpaddle环境
思路:在远程服务器端先安装Anaconda,然后创建python虚拟环境,再根据需求在对应python虚拟环境安装Cuda和对应的Cudnn和paddlpaddle,然后连接Pycharm。原创 2022-10-06 21:52:40 · 1960 阅读 · 0 评论 -
基于Pytorch查看本地或者远程服务器GPU及使用方法
基于Pytorch查看本地或者远程服务器GPU及使用方法原创 2022-10-01 17:25:46 · 1808 阅读 · 0 评论 -
基于远程服务器安装配置Anaconda环境及创建python虚拟环境详细方案
基于远程服务器安装配置Anaconda环境及创建python虚拟环境详细方案原创 2022-09-30 22:26:03 · 8571 阅读 · 11 评论 -
基于Windows下Anaconda创建python虚拟环境教程
Anaconda是目前最流行的数据科学平台以及现代机器学习的基础。同时Anaconda 也是一个Python的发行版,专注于人工智能,天然适合科学计算,数据分析和机器学习,其包管理器是Conda 。Conda 是一个开源的包管理系统和环境管理系统,可在 Windows、macOS 和 Linux 上运行。 Conda 可快速安装、运行和更新包及其依赖项。 Conda 可以轻松地在计算机上创建、保存、加载和切换环境。 它是为 Python 程序而创造的,但它可以打包和分发任何语言的软件,换言之,**Conda原创 2022-06-02 21:53:09 · 14170 阅读 · 3 评论 -
基于Pytorch的图卷积网络GCN实例应用及详解3.0
基于Pytorch的图卷积网络GCN实例应用及详解3.0的实例应用依旧是图的二分类任务,数据训练预测模型框架没有变化,主要是**数据集本身及其处理和重新构造及损失函数选择发生变化**,其余部分发生细微变化。原创 2022-05-21 20:04:13 · 2714 阅读 · 8 评论 -
Bert模型之unable to parse config.json as a URL or as a local path错误解决方案
在jupyter notebook中运行下面代码出现问题,报ValueError: unable to parse F:/modelfile/Bert/bert-base-uncased/config.json as a URL or as a local path错误,注意:下面代码中的文件路径根据自己下载解压的文件路径对应更改。原创 2022-05-04 20:00:50 · 4013 阅读 · 0 评论 -
基于Pytorch学习Bert模型配置运行环境详细流程
BERT是2018年10月由Google AI研究院提出的一种预训练模型。BERT的全称是Bidirectional Encoder Representation from Transformers。BERT在机器阅读理解顶级水平测试SQuAD1.1中表现出惊人的成绩: 全部两个衡量指标上全面超越人类,并且在11种不同NLP测试中创出SOTA表现,包括将GLUE基准推高至80.4% (绝对改进7.6%),MultiNLI准确度达到86.7% (绝对改进5.6%),成为NLP发展史上的里程碑式的模型成就。..原创 2022-05-04 16:46:06 · 4146 阅读 · 0 评论 -
基于Pytorch的卷积神经网络CNN实例应用及详解2.0
基于Pytorch的卷积神经网络CNN实例应用**依旧是DTI也就是药物靶体交互预测**,**数据训练预测模型框架没有变化**,**只有数据集的读取&处理和重新构造及损失函数选择发生变化**,其余部分发生细微变化。原创 2022-04-26 16:21:46 · 2863 阅读 · 2 评论 -
word2vec模型原理及实现词向量训练案例
word2vec模型进行词向量训练方法一、打开语料库官网搜狗实验室的搜狗新闻语料库官方链接:点击打开官方链接二、下载语料库数据,首先下拉找到迷你版(样例数据, 110KB),然后点击第一个红色箭头指向的红色框内容(tar.gz格式),自己选择好保存文件的途径之后点击第二个红色箭头指向的红色框内容(保存)。注意:下载来的文件名是“news_sohusite_xml.smarty.tar.gz”。三、首先按键盘“windows键+r”打开资源管理器 ,在打开栏输入“cmd”然后点击“确定”。然后通原创 2021-03-25 15:24:11 · 5729 阅读 · 4 评论 -
基于Pytorch的卷积神经网络CNN实例应用及详解
基于Pytorch的卷积神经网络CNN实例应用及详解一、卷积神经网络CNN定义卷积神经网络(CNN,有时被称为 ConvNet)是很吸引人的。在短时间内,它们变成了一种颠覆性的技术,打破了从文本、视频到语音等多个领域所有最先进的算法,远远超出了其最初在图像处理的应用范围。CNN 由许多神经网络层组成。卷积和池化这两种不同类型的层通常是交替的。网络中每个滤波器的深度从左到右增加。最后通常由一个或多个全连接的层组成。二、卷积神经网络的原理...原创 2022-04-16 21:44:58 · 4542 阅读 · 2 评论 -
Pytorch之nn.Conv1d学习个人见解
Pytorch之nn.Conv1d学习个人见解一、官方文档(务必先耐心阅读)官方文档:点击打开《CONV1D》二、Conv1d个人见解Conv1d类构成class torch.nn.Conv1d(in_channels, out_channels, kernel_size,stride=1, padding=0, dilation=1, groups=1, bias=True)in_channels(int)—输入数据的通道数。在文本分类中,即为句子中单个词的词向量的维度。 (word_vec原创 2022-04-12 21:10:33 · 10070 阅读 · 12 评论 -
基于Pytorch的PyTorch Geometric(PYG)库构造个人数据集
PyTorch Geometric库中虽然已经包含自带的数据集如 Cora 等,但有时我们也需要用户个人数据创建自己的数据集进行一些数据研究。**当然博主也建议大家若是第一次使用PyTorch Geometric库可以先使用其自带的数据集进行理解,再创建自己的数据集做到灵活运用。*原创 2022-03-28 20:09:21 · 7120 阅读 · 11 评论 -
基于Pytorch的图卷积网络GCN实例应用及详解
基于Pytorch的图卷积网络GCN实例应用及详解一、图卷积网络GCN定义图卷积网络实际上就是特征提取器,只不过GCN的数据对象是图。图的结构一般来说是十分不规则,可以看作是多维的一种数据。GCN精妙地设计了一种从图数据中提取特征的方法,从而让我们可以使用这些特征去对图数据进行节点分类(node classification)、图分类(graph classification)、边预测(link prediction)和获得图的嵌入表示(graph embedding),用途十分广泛。二、图卷积网络G原创 2022-03-27 20:00:00 · 27859 阅读 · 21 评论 -
深度残差网络(ResNet)之ResNet34的实现和个人浅见
残差网络是由来自Microsoft Research的4位学者提出的卷积神经网络,在2015年的ImageNet大规模视觉识别竞赛(ImageNet Large Scale Visual Recognition Challenge, ILSVRC)中获得了图像分类和物体识别的优胜。 **残差网络的特点是容易优化,并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接(shortcut),缓解了在深度神经网络中增加深度带来的梯度消失问题**。残差网络(ResNet)的网络结构图举例如下:原创 2022-03-15 16:06:48 · 33560 阅读 · 6 评论 -
图像相关层之卷积锐化图片示例
图像相关层之卷积锐化图片示例原创 2022-03-12 17:12:39 · 1887 阅读 · 0 评论 -
Pytorch中使用torch.nn模块进行神经网络模型初步构造
torch.nn模块的核心数据结构是Module,可表示神经网络中的某个层(layer)比如全连接层;同时也可表示一个包含很多层(递归的体验)的神经网络比如多层感知机,注意:torch.nn.Module能够顺利用autograd自动实现反向传播,所以无需写和人为使用反向传播函数。原创 2022-03-11 19:31:01 · 983 阅读 · 0 评论 -
Pytorch实现机器学习之线性回归2.0
Pytorch实现机器学习之线性回归2.0,特点在利用autograd和Variable实现线性回归,并且反向传播自动调用backward实现。原创 2022-03-11 11:15:48 · 1882 阅读 · 0 评论 -
Pytorch中autograd.Variable.backward的grad_varables参数个人理解浅见
Pytorch中autograd.Variable.backward的grad_varables参数个人理解浅见原创 2022-03-10 19:46:09 · 2470 阅读 · 0 评论 -
Pytorch实现机器学习之线性回归
Pytorch实现机器学习之线性回归原创 2022-03-09 22:13:30 · 1184 阅读 · 0 评论 -
在torch_geometric.datasets中使用Planetoid手动导入Core数据集及发生相关错误解决方案
在torch_geometric.datasets中使用Planetoid手动导入Core数据集及发生相关错误解决方案原创 2021-12-03 14:37:58 · 4133 阅读 · 2 评论 -
基于Pytorch中安装torch_geometric简单详细完整版
基于Pytorch中安装torch_geometric简单详细完整版原创 2021-12-03 13:49:54 · 21523 阅读 · 17 评论 -
基于Windows中学习Deep Learning之搭建Anaconda+Cudnn+Cuda+Pytorch+Pycharm工具和配置环境完整最简版
基于Windows中学习Deep Learning之搭建Anaconda+Pytorch(Cuda+Cudnn)+Pycharm工具和配置环境完整最简版原创 2021-12-03 13:09:32 · 14579 阅读 · 4 评论 -
人工智能之基于多变量线性回归的房屋销售价格预测详细解决方案
人工智能之基于多变量线性回归的房屋销售价格预测详细解决方案一、目的学习多变量线性回归模型与梯度下降算法设计机器学习程序,理解并掌握特征归一化,多变量的梯度下降以及正规方程方法,对房屋销售价格进行预测等。二、背景知识假设您正在出售房屋,而您想知道什么是好的市场价格。一种方法是首先收集有关最近出售房屋的信息,并建立房屋模型价格,通过房屋大小和卧室数量预测房屋售价。文件ex1data2.txt是俄勒冈州波特兰市的房屋价格训练数据集。文件中的第一列是房屋的大小(以平方英尺为单位),第二列是卧室数,第三列是原创 2020-07-09 20:38:05 · 1440 阅读 · 2 评论