我的创作纪念日

最新推荐文章于 2024-09-07 18:32:56 发布
最新推荐文章于 2024-09-07 18:32:56 发布
阅读量389 收藏 3
点赞数 2
文章标签： pytorch
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/scdifsn/article/details/140859436
版权

机缘

学习李沐老师《动手学深度学习》课程，记录学习笔记和思考。

收获

收获了一些同路人的关注。

日常

这部分学习和创作纯记录和充电，但是创作让我能够在繁重的工作之余坚持下来。

成就

这个系列每个练习题的解答都是学习进步的记录。

憧憬

希望可以完成这个系列，以及后续有更多的系列，如果更新的内容能帮助到同路人就很好，能共同探讨进步就更好，如果能有收益就更更好了~

Tips

  1. 您发布的文章将会展示至 里程碑专区 ，您也可以在 专区 内查看其他创作者的纪念日文章
  2. 优质的纪念文章将会获得神秘打赏哦
scdifsn
关注
  • 2
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
我的创作纪念日--码农阿豪
weixin_44976692的博客
06-20 5万+
未来，我计划继续在技术领域深耕，希望能够通过我的努力达到更高的技术水平。同时，我也计划扩展我的创作范围，不仅限于技术文章，也包括视频教程和在线课程，以此来帮助更多的人学习编程，实现自我提升。
我的创作纪念日哈哈哈哈
05-24
在IT行业中，特别是前端开发领域，一套良好的项目配置和组织结构对于提高开发效率和代码质量至关重要。这个压缩包文件中的内容似乎对应一个前端项目的初始结构，让我们逐一解析这些文件的作用和相关知识点： ...
csdn我的创作纪念日
11-06
CSDN我的创作纪念日是指您在CSDN上发布第一篇博客的日期。这个日期对于您来说是非常重要的，因为它标志着您开始了自己的技术博客之旅。在CSDN上，您可以记录自己的学习历程、分享自己的技术经验、结交志同道合的朋友...
【我在CSDN成长】我的两周年创作纪念日
jks212454的博客
04-17 1265
【我在CSDN成长】我的两周年创作纪念日
pytorch torch.gather函数介绍
qq_27390023的博客
09-04 378
是 PyTorch 中的一个用于从给定维度上按索引取值的函数。它根据一个索引张量index，从源张量input中收集值，并返回一个新的张量。常用于需要从张量的特定位置抽取元素的操作。
PyTorch库学习之nn.ConvTranspose2d(模块)
qq_46396470的博客
09-05 1234
是 PyTorch 中的一个模块，用于实现二维转置卷积（也称为反卷积或上采样卷积）。转置卷积通常用于生成比输入更大的输出，例如在生成对抗网络（GANs）和卷积神经网络（CNNs）的解码器部分。
[pytorch] --- pytorch基础之损失函数与反向传播
M2嵌入式
09-02 1109
Loss Function的作用：（1）计算实际输出和目标之间的差距（2）为我们更新输出提供一定的依据，这个提供依据的过程也叫反向传播。我们可以看下pytorch为我们提供的损失函数：https://pytorch.org/docs/stable/nn.html#loss-functions。
pytorch torch.matmul函数介绍
qq_27390023的博客
09-07 343
是 PyTorch 中用于进行矩阵乘法的函数。它可以执行两维矩阵、向量和更高维张量之间的乘法运算，支持的运算取决于输入张量的维度。
pytorch正向传播没问题，loss.backward()使定义的神经网络中权重参数变为nan
最新发布
加速却甩不掉伤悲的博客
09-07 195
7.这个问题找了好长时间，又是输出loss值，又是输出过程中的各种变量值还有神经网络权重参数，最后按照上面的措置一步一步才解决，最重要的是要保证每个函数的输入要正常，但是不确定是不是torch版本问题，反正手段都用上了。5.还有一个点是：计算loss时有一个torch.log(tensor3)的函数，同样的道理不能让tensor3的值中有0，否则loss会出现inf值，同样可以加一个很小的值比如1e-9。记录一个非常坑爹的bug:loss回传导致神经网络中一个linear层的权重参数变为nan。
【深度学习 transformer】使用pytorch 训练transformer 模型,hugginface 来啦
赖德发的博客
09-03 1598
在这个代码示例中，我们首先定义了一个简单的Transformer文本分类模型，它使用了预训练的BERT模型作为编码器。在训练循环中，我们使用优化器来更新模型参数，并使用学习率调度器来调整学习率。在评估循环中，我们计算模型的准确率。在这个代码示例中，我们首先定义了一个简单的Transformer文本分类模型，它使用了预训练的BERT模型作为编码器。在训练循环中，我们使用优化器来更新模型参数，并使用学习率调度器来调整学习率。请注意，这只是一个简化的示例，实际代码可能会更复杂，具体取决于您选择的模型和配置。
pyro.optim pyro ppl 概率编程 优化器 pytorch
09-04 1542
2]“讲座6.5 RmsProp:将梯度除以其最近大小的移动平均值”，Tieleman，t .和Hinton，g .，COURSERA:用于机器学习的神经网络。[3]“在线学习和随机优化的自适应次梯度方法”，杜奇，约翰，哈赞，E和辛格，y。剪辑_参数: 可选择的[联盟[词典, 请求即付的[[...], 词典]]] = 没有人。使用从以前对get_state()的调用中获得的状态，设置与所有优化器关联的状态。以带有键值对的字典的形式获得与所有优化器相关的状态(参数名，优化状态字典)
计算氨基酸残基之间的键角和二面角
qq_27390023的博客
09-07 279
在蛋白质结构中，不同的角度由特定的原子位置决定。常见的原子类型包括氨基酸主链中的 Cα（α 碳）、C（羰基碳）、N（氮原子）和 O（氧原子）。
PyTorch 全连接层（Fully Connected Layer）详解
fydw_715的博客
09-03 1246
全连接层（Fully Connected Layer）是神经网络中最基本和广泛使用的层类型，广泛应用于图像分类、文本处理、回归分析等任务中。本文详细介绍了全连接层的基本概念、PyTorch中的实现、输入和输出维度变化、主要解决的问题及典型应用场景。全连接层通过线性变换和非线性激活函数，对输入特征进行变换和抽象，提取更高层次的特征。训练过程中，权重矩阵和偏置向量通过反向传播算法进行更新，优化模型性能。全连接层在图像分类、文本分类、回归任务及多层感知器（MLP）中有广泛应用，理解其工作原理和应用场景对于构建高效
使用PyTorch从零构建Llama 3
deephub
09-04 4582
我们已经成功地从零开始构建了自己的Llama 3模型。我们不仅实现了模型的架构，还成功地进行了训练，并能够执行推理以生成新的文本。值得注意的是，我们在相对有限的计算资源（Google Colab Notebook提供的免费GPU和RAM）下，在较短的时间内完成了这个过程。本文中的代码和方法主要用于教育和研究目的。在实际应用中，可能需要进行更多的优化和调整，以达到生产级别的性能和效果。作者：Milan Tamang。
pytorch tensor.expand函数介绍
qq_27390023的博客
09-06 449
函数在处理多维张量时非常有用，可以在不复制数据的情况下灵活地调整张量的形状，满足不同的计算需求。但在使用时需要注意其限制条件，确保只扩展维度大小为 1 的维度。它允许你在不复制数据的情况下，将张量的形状扩展到指定的维度大小。这对于需要在特定维度上重复数据的操作非常有用，例如在进行广播操作时调整张量的形状。是一个可变参数，表示要扩展到的目标形状。将其第二个维度从 1 扩展到 2，得到的扩展后张量形状为。是不合法的，因为原始张量的第二个维度大小不是 1。在这个例子中，原始张量的形状是。在 PyTorch 中，
pytorch+深度学习实现图像的神经风格迁移
weixin_73004416的博客
09-04 1171
本文的完整代码和部署教程已上传至，欢迎各位朋友批评指正！
【Pytorch实用教程】tqdm的作用：在循环中显示进度条
惊鸿若梦一书生
09-03 346
tqdm是一个 Python 库，用于在循环中显示进度条。它能够为任何可迭代对象（例如列表、生成器、数据加载器等）添加一个可视化的进度条，使用户可以实时查看程序的执行进度。在数据科学和机器学习领域，tqdm经常用于显示训练和验证过程中的进度。例如，在训练神经网络时，由于每个 epoch 可能会耗费较长时间，tqdm可以帮助用户直观地了解当前训练进展，以及还需要多长时间才能完成。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

scdifsn

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值