<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[thy0000的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/thy0000</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; thy0000]]></copyright><item><title><![CDATA[SummaryWriter函数用法]]></title><link>https://blog.csdn.net/thy0000/article/details/135962956</link><guid>https://blog.csdn.net/thy0000/article/details/135962956</guid><author>thy0000</author><pubDate>Wed, 31 Jan 2024 22:02:27 +0800</pubDate><description><![CDATA[是PyTorch中用于将数据写入TensorBoard的工具。它提供了一种方便的方式来可视化训练过程中的各种指标。]]></description><category></category></item><item><title><![CDATA[os.environ函数用法]]></title><link>https://blog.csdn.net/thy0000/article/details/135962479</link><guid>https://blog.csdn.net/thy0000/article/details/135962479</guid><author>thy0000</author><pubDate>Wed, 31 Jan 2024 21:56:03 +0800</pubDate><description><![CDATA[os.environ是 Python 中os模块提供的一个字典，它表示当前系统的环境变量。环境变量是在操作系统级别设置的键值对，用于配置系统行为和提供信息给正在运行的进程。os.environ的基本用法包括获取和设置环境变量的值。]]></description><category></category></item><item><title><![CDATA[torch.expand()函数用法]]></title><link>https://blog.csdn.net/thy0000/article/details/134016260</link><guid>https://blog.csdn.net/thy0000/article/details/134016260</guid><author>thy0000</author><pubDate>Tue, 24 Oct 2023 16:49:46 +0800</pubDate><description><![CDATA[如果需要复制数据以创建新张量，可以使用 `torch.clone()` 或 `torch.copy()`。此外，要进行广播操作，通常可以直接使用运算符（例如 `+`，`*`），PyTorch 会自动执行广播，无需显式使用 `torch.expand()`。如果需要真正的数据复制，您可以使用 `torch.clone()` 或 `torch.copy()` 等操作。`torch.expand()` 主要用于扩展张量的维度以匹配目标形状，但还可以使用不同的参数来改变其行为，以满足其他需求。]]></description><category></category></item><item><title><![CDATA[Python中format函数的用法]]></title><link>https://blog.csdn.net/thy0000/article/details/133185328</link><guid>https://blog.csdn.net/thy0000/article/details/133185328</guid><author>thy0000</author><pubDate>Mon, 16 Oct 2023 14:46:16 +0800</pubDate><description><![CDATA[str.format() 是 Python 字符串的格式化方法，用于将值插入字符串中的占位符。这个方法允许我们以更灵活的方式创建字符串，将变量、表达式或其他字符串值插入到已有字符串的特定位置。]]></description><category></category></item><item><title><![CDATA[softmax激活函数]]></title><link>https://blog.csdn.net/thy0000/article/details/133792622</link><guid>https://blog.csdn.net/thy0000/article/details/133792622</guid><author>thy0000</author><pubDate>Sat, 14 Oct 2023 17:32:05 +0800</pubDate><description><![CDATA[Softmax激活函数是一种用于多类别分类问题的激活函数，通常用于神经网络的输出层。它将原始分数（也称为logits）转换为表示概率分布的数值，使得每个类别的概率值都在0和1之间，并且所有类别的概率之和等于1。这使得它适用于多类别分类问题，其中每个样本只能属于一个类别。Softmax函数的数学定义如下：对于给定的原始分数（logits）z = [z1, z2, …, zn]，Softmax函数将这些分数转换为概率分布p = [p1, p2, …, pn]]]></description><category></category></item><item><title><![CDATA[pytorch中的归一化函数]]></title><link>https://blog.csdn.net/thy0000/article/details/133681242</link><guid>https://blog.csdn.net/thy0000/article/details/133681242</guid><author>thy0000</author><pubDate>Fri, 13 Oct 2023 20:57:38 +0800</pubDate><description><![CDATA[在 PyTorch 的nn模块中，有一些常见的归一化函数，用于在深度学习模型中进行数据的标准化和归一化。这些函数用于批量归一化 (Batch Normalization) 操作。它们可以应用于一维、二维和三维数据，通常用于卷积神经网络中。批量归一化有助于加速训练过程，提高模型的稳定性。Layer Normalization 是一种归一化方法，通常用于自然语言处理任务中。它对每个样本的每个特征进行归一化，而不是对整个批次进行归一化。可用于一维数据。]]></description><category></category></item><item><title><![CDATA[pytorch中的池化函数]]></title><link>https://blog.csdn.net/thy0000/article/details/133678642</link><guid>https://blog.csdn.net/thy0000/article/details/133678642</guid><author>thy0000</author><pubDate>Fri, 13 Oct 2023 20:20:27 +0800</pubDate><description><![CDATA[PyTorch 提供了多种池化函数，用于对输入数据进行不同类型的池化操作。这些池化函数允许你对不同维度的输入数据进行平均池化或最大池化，并且有自适应版本，可以自动调整输入大小以满足指定的输出大小。选择适当的池化函数取决于你的应用和输入数据的维度。]]></description><category></category></item><item><title><![CDATA[ReLU激活函数]]></title><link>https://blog.csdn.net/thy0000/article/details/133779094</link><guid>https://blog.csdn.net/thy0000/article/details/133779094</guid><author>thy0000</author><pubDate>Wed, 11 Oct 2023 21:34:35 +0800</pubDate><description><![CDATA[ReLU（Rectified Linear Unit）激活函数是深度学习中最常用的激活函数之一，它的数学表达式如下：在这里，(x) 是输入，(f(x)) 是输出。ReLU激活函数的使用非常简单，它将输入(x)的所有负值变为零，而保持正值不变。这个激活函数具有以下用途和优点：（1）：ReLU引入了非线性性质，使神经网络可以学习和表示非线性函数关系。这对于捕捉复杂的数据模式和特征非常重要。（2）：ReLU计算非常简单，因为它只涉及一个比较和一个取最大值的操作。这使得训练神经网络更加高效。（3）]]></description><category></category></item><item><title><![CDATA[setattr()函数与getattr()函数用法]]></title><link>https://blog.csdn.net/thy0000/article/details/133690084</link><guid>https://blog.csdn.net/thy0000/article/details/133690084</guid><author>thy0000</author><pubDate>Wed, 11 Oct 2023 10:24:00 +0800</pubDate><description><![CDATA[函数的一些常见用法，它可以在运行时根据字符串来获取对象的属性、模块中的函数或变量以及类的方法。因此，通常建议在需要动态属性时慎重使用，以确保代码的清晰性和可维护性。这在需要根据字符串的内容来动态调用模块中的函数或访问模块中的变量时非常有用。在需要动态获取属性值的情况下非常有用，尤其是当你不确定属性是否存在或希望提供默认值时。的主要用途是在运行时获取对象的属性值，如果属性不存在，则可以提供一个默认值。是另一个与属性相关的内置函数，它用于获取对象的属性值。也可以用于设置类的属性。修改对象已有的属性的值。]]></description><category></category></item><item><title><![CDATA[torch.cat函数用法]]></title><link>https://blog.csdn.net/thy0000/article/details/133690045</link><guid>https://blog.csdn.net/thy0000/article/details/133690045</guid><author>thy0000</author><pubDate>Tue, 10 Oct 2023 21:34:00 +0800</pubDate><description><![CDATA[torch.cat函数是PyTorch中用于拼接张量（tensors）的函数。它可以沿着指定的维度将多个张量连接在一起。]]></description><category></category></item><item><title><![CDATA[LeakyReLU激活函数]]></title><link>https://blog.csdn.net/thy0000/article/details/133654447</link><guid>https://blog.csdn.net/thy0000/article/details/133654447</guid><author>thy0000</author><pubDate>Sat, 07 Oct 2023 20:38:38 +0800</pubDate><description><![CDATA[是PyTorch中的Leaky Rectified Linear Unit（ReLU）激活函数的实现。Leaky ReLU是一种修正线性单元，它在非负数部分保持线性，而在负数部分引入一个小的斜率（通常是一个小的正数），以防止梯度消失问题。：x为负数时的需要的一个系数，控制负斜率的角度。默认值：1e-2(0.01)]]></description><category></category></item><item><title><![CDATA[nn.Sequential、nn.Linear、nn.ReLU()函数]]></title><link>https://blog.csdn.net/thy0000/article/details/133587508</link><guid>https://blog.csdn.net/thy0000/article/details/133587508</guid><author>thy0000</author><pubDate>Sat, 07 Oct 2023 19:59:18 +0800</pubDate><description><![CDATA[是 PyTorch 中的一个容器模块，用于按照顺序组合多个神经网络层（如线性层、激活函数、池化层等）。这个容器允许你将各种层按照指定的顺序串联在一起，构建一个神经网络模型。nn.Sequential() 可以允许将整个容器视为单个模块（即相当于把多个模块封装成一个模块），forward()方法接收输入之后，nn.Sequential()按照内部模块的顺序自动依次计算并输出结果。]]></description><category></category></item><item><title><![CDATA[Conv1d与Conv2d函数用法]]></title><link>https://blog.csdn.net/thy0000/article/details/133586386</link><guid>https://blog.csdn.net/thy0000/article/details/133586386</guid><author>thy0000</author><pubDate>Sat, 07 Oct 2023 15:37:48 +0800</pubDate><description><![CDATA[Conv1d和Conv2d分别是卷积神经网络（CNN）中的两种卷积层操作，它们在处理不同维度的数据上有联系和区别，本文是一篇学习笔记。]]></description><category></category></item><item><title><![CDATA[torch.randn()函数]]></title><link>https://blog.csdn.net/thy0000/article/details/133587350</link><guid>https://blog.csdn.net/thy0000/article/details/133587350</guid><author>thy0000</author><pubDate>Thu, 05 Oct 2023 20:54:15 +0800</pubDate><description><![CDATA[函数是PyTorch中用于生成具有正态分布（均值为0，标准差为1）的随机数的函数。：可选参数，用于指定生成的随机张量的数据类型。：可选参数，用于指定生成的随机张量所在的设备。这将创建一个形状为(2, 2)的张量，其中的元素是从均值为2，标准差为0.5的正态分布中随机抽样得到的随机数。：表示生成的张量的形状。：可选参数，如果指定了这个参数，生成的随机张量将会被存储在这个参数指定的张量中。是一个形状为(3, 4)的张量，其中包含了随机生成的标准正态分布的随机数。：可选参数，用于指定生成的随机张量的布局。]]></description><category></category></item><item><title><![CDATA[OrderedDict函数用法]]></title><link>https://blog.csdn.net/thy0000/article/details/133467724</link><guid>https://blog.csdn.net/thy0000/article/details/133467724</guid><author>thy0000</author><pubDate>Thu, 05 Oct 2023 17:28:19 +0800</pubDate><description><![CDATA[是 Python 标准库中的一个数据结构，它是一个有序的字典（Ordered Dictionary）。与普通字典不同，有序字典会记住元素的插入顺序，这意味着你可以按照元素插入的顺序来迭代字典中的键值对。我们可以使用  模块来导入 ，然后使用它来创建有序字典。以下是一个示例：
 在某些情况下非常有用，特别是当你需要保持数据的顺序性，并且需要在迭代字典时按照插入的顺序访问数据时。它是一个非常方便的工具，用于处理需要保持顺序的数据。OrderedDict可根据key 或者val 进行排序，例如：
(1)按照key]]></description><category></category></item><item><title><![CDATA[vars函数]]></title><link>https://blog.csdn.net/thy0000/article/details/133468272</link><guid>https://blog.csdn.net/thy0000/article/details/133468272</guid><author>thy0000</author><pubDate>Thu, 05 Oct 2023 16:21:50 +0800</pubDate><description><![CDATA[具体而言，vars() 函数可以接受一个对象作为参数，然后返回该对象的属性和属性值组成的字典。对于内置类的实例对象（如列表、字符串等），vars() 函数返回的字典通常只包含内置属性和方法，并不包含实例化时添加的自定义属性。的属性和对应值的字典。这个字典中的键(key,k)是对象的属性名，而值(value,v)是属性的值。如果传递一个对象作为参数给 vars() 函数，它将返回该对象的属性和属性值的字典。具体地说，它返回对象的。对于自定义类的实例对象，vars() 函数返回的字典将包含实例的属性和属性值。]]></description><category></category></item><item><title><![CDATA[super().__init__()函数]]></title><link>https://blog.csdn.net/thy0000/article/details/133557862</link><guid>https://blog.csdn.net/thy0000/article/details/133557862</guid><author>thy0000</author><pubDate>Wed, 04 Oct 2023 17:54:57 +0800</pubDate><description><![CDATA[是用于在 Python 中调用父类（也称为超类或基类）的构造方法（__init__方法）的一种方式。这通常在子类的构造方法中使用，以便在添加子类特有的功能之前，初始化父类中定义的属性和执行其他必要的设置。super()用来调用父类(基类)的方法，__init__()是类的构造方法，就是调用父类的__init__()方法， 同样可以使用super()去调用父类的其他方法。]]></description><category></category></item><item><title><![CDATA[python字符串插入变量的多种方法]]></title><link>https://blog.csdn.net/thy0000/article/details/133499765</link><guid>https://blog.csdn.net/thy0000/article/details/133499765</guid><author>thy0000</author><pubDate>Mon, 02 Oct 2023 20:27:30 +0800</pubDate><description><![CDATA[当您需要将变量插入字符串时，可以使用不同的方法来实现这一目标。]]></description><category></category></item><item><title><![CDATA[envs.yaml与requirements.txt]]></title><link>https://blog.csdn.net/thy0000/article/details/133277812</link><guid>https://blog.csdn.net/thy0000/article/details/133277812</guid><author>thy0000</author><pubDate>Tue, 26 Sep 2023 14:28:07 +0800</pubDate><description><![CDATA[envs.yaml” 文件通常用于配置和管理环境变量（Environment Variables）的设置。环境变量是在计算机操作系统中存储配置信息的一种常见方式，它们可以影响程序的行为和设置。通常，环境变量用于存储敏感信息（例如API密钥）或配置信息（例如数据库连接字符串），以便在不同的应用程序或环境中共享。“requirements.txt” 文件是用于指定 Python 项目的依赖关系的文本文件。它通常包含了项目所需的 Python 包及其版本信息。]]></description><category></category></item><item><title><![CDATA[torch.device函数]]></title><link>https://blog.csdn.net/thy0000/article/details/132073049</link><guid>https://blog.csdn.net/thy0000/article/details/132073049</guid><author>thy0000</author><pubDate>Wed, 02 Aug 2023 23:00:13 +0800</pubDate><description><![CDATA[torch.device 是 PyTorch 中用于表示计算设备（如CPU或GPU）的类。它允许你在代码中指定你希望在哪个设备上执行张量和模型操作，本文主要介绍了 torch.device 函数的用法和功能。]]></description><category></category></item></channel></rss>