以秘

凡是写代码的人，基本上都去过博客、简书、github等网站，实际上跑别人的代码也是一种学习，会遇到没有见过的函数、别人的编码风格、同样的功能别人一句话，自己写要十来句，都是通过看别人的东西，慢慢积累的一些经验。最近我也下载了一个代码，据介绍说很牛逼，忍不住好奇去跑一下。但是大多数情况下，自己的电脑环境和别人的环境是不一样的，于是就出现了一个问题：需要将本地环境配置为和别人要求的环境一致。越一致，越容易运行起来，也不会出什么幺蛾子。你是不是也是这么想的，并且是这么做的，我也是。但是今天，我觉得

写代码，看代码都要心中有数，输入是什么，输出是什么，结果是如何计算出来的。一维数据：# -*- coding: utf-8 -*-import torchimport numpy as npimport torch.nn.functional as Fa = [1, 2, 3]a = torch.from_numpy(np.array(a, dtype=np.float))b1 = F.softmax(a, dim=0)b2 = F.softmax(a, dim=-1)print

最近看别人代码的时候看到这么一个函数，一看吧，感觉是个求和的函数，毕竟有sum这种，可能性还是比较大，于是准备深入看看，具体是干嘛的。1.写法。先不管结果如何，代码得先写出来。函数原型：torch.cumsum(input, dim, *, dtype=None, out=None) → Tensor返回维度dim中输入元素的累计和。【功能：累加】例如，如果输入是大小为N的向量，则结果也将是大小为N的带有元素的向量。【运算后维度不变】说明必须要有两个参数，一个是tensor类型的

其中，Numpy和Variable之间的转换可以通过tensor推导出来。Numpy->Variable:拆分为两步，Numpy->Tensor： torch.from_numpy(test)Tensor->Variable：Variable(test)组合在一起就是：Variable(torch.from_numpy(test))同样的道理，Variable->Numpy:拆分为两步，Variable->Tensor：test.data()Te..

首先，这是对上一篇文章（pytorch:一维线性回归（一））的改进。其次，为什么想要改进上一篇文章嘞？答案：我使用这个写好的模型后，想着既然参数已经训练出来了，那么预测的时候，就只需要直接根据参数和输入数据就可以计算出预测值，速度应该很快。然而，按照上一篇文章这样的写法，仔细的人会发现，每次预测的时候都又进行了训练，那么之前我的训练就等于白费了。于是，我得找原因在哪里，不难发现，我虽然训练了模型，但是没有对参数进行保存。于是我查询了pytorch是如何保存模型参数的，一共有两种方式：保存

1.torch.nn.Softmax做什么的：将Softmax函数应用于n维输入张量，重新缩放它们，以便n维输出张量的元素位于[0，1]范围内，并且总和为1。注意事项：需要指定按照行和为1还是列和为1，参数设置dim=1表示行和为1，dim=0表示列和为1。计算公式：难点：看到公式，手动该如何计算？假设需要进行softmax操作的张量是：[[1,2,3],[1,2,4]]是一个2*3规模的张量，经过softmax后，希望行和为1，手动计算过程（把公式列举出来，计算可以使用百度帮忙计算）：

transpose、contiguous、viewa = torch.randn(2,3) #随机产生的2*3的tensor，内存是连续的，所以打印出“真”if a.is_contiguous(): print("真")else: print("假")a = a.transpose(0,1)#经过transpose，维度变换后，内存不连续了，所以打印出“假”if a.is_contiguous(): print("真")else: print("假")a =

知识点https://blog.csdn.net/u012495579/article/details/106117511网友讲得非常清晰了。代码如下：lengths = [17,17,19,23,7]lengths = torch.Tensor(lengths) a, idx_sort = torch.sort(torch.Tensor(lengths), dim=0, descending=True) print(a)print(idx_sort)print('-----------

import matplotlib.pyplot as pltimport numpy as np# 设置字体为中文plt.rcParams['font.sans-serif'] = ['SimHei']plt.rcParams['axes.unicode_minus'] = False# sigmoid函数图像x = np.arange(-10, 10, 0.1)y = 1. /...

import matplotlib.pyplot as pltfrom torch import nn, optimimport numpy as npimport torchfrom torch.autograd import Variable# 设置字体为中文plt.rcParams['font.sans-serif'] = ['SimHei']plt.rcParams['ax...

import numpy as npimport torchfrom torch.autograd import Variablefrom torch import nn, optimimport matplotlib.pyplot as plt# 设置字体为中文plt.rcParams['font.sans-serif'] = ['SimHei']plt.rcParams['a...

# -- coding:utf-8 --import torchimport numpy as npfrom torch import nn, optimimport matplotlib.pyplot as pltfrom torch.autograd import Variable# 设置字体为中文plt.rcParams['font.sans-serif'] = ['SimH...