u014168855的博客

batch_size = 32transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize(mean=(0.5,), std=(0.5,))])mnist_data = torchvision.datasets.MNIST("./mnist_data",train=True, download=True, transform=transform)

图片风格迁移from torchvision import models,transformsfrom PIL import Imageimport torchimport torchvisionimport torch.nn as nnimport numpy as npimport matplotlib.pyplot as pltdevice = torch.device("cuda" if torch.cuda.is_available() else "cpu")def load

CNN模型的迁移学习1.数据准备2.读入数据3.模型训练很多时候当我们需要训练一个新的图像分类任务，我们不会完全从一个随机的模型开始训练，而是利用_预训练_的模型来加速训练的过程。我们经常使用在ImageNet上的预训练模型。这是一种transfer learning的方法。我们常用以下两种方法做迁移学习。fine tuning: 从一个预训练模型开始，我们改变一些模型的架构，然后继续训练整个模型的参数。feature extraction: 我们不再改变预训练模型的参数，而是只更新我们改变过的部分

实现卷积神经网络1.加载数据2.定义CNN模型3.初始化模型和定义优化函数4.定义训练和测试模型5.查看运行结果1.加载数据import torchimport torch.nn as nnimport torch.nn.functional as Fimport torch.optim as optimfrom torchvision import datasets, transforms# torchvision是独立于pytorch的关于图像操作的一些方便工具库。# torchvisi

情感分类-Word Averaging模型1.准备数据2.构建Word Averaging模型3.训练模型4.进行预测PyTorch模型和TorchText再来做情感分析(检测一段文字的情感是正面的还是负面的)。我们会使用IMDb 数据集，即电影评论。1.准备数据TorchText中的一个重要概念是Field。Field决定了你的数据会被怎样处理。在我们的情感分类任务中，我们所需要接触到的数据有文本字符串和两种情感，“pos"或者"neg”。Field的参数制定了数据会被怎样处理。我们使用TEXT

pytorch实现语言模型

pytorch实现word2vec1.准备训练数据（1）读取文本数据（2）实现dataloader2.定义模型3.定义评估函数4.定义优化函数5.训练模型6.准确度评估1.准备训练数据（1）读取文本数据import torchimport torch.nn as nnimport torch.nn.functional as Fimport torch.utils.data as tudfrom torch.nn.parameter import Parameterfrom collect

FizzBuzz游戏1.准备训练数据2.定义模型3.定义一个损失函数和一个优化算法4.训练数据5.预测数据6.测试数据准确率FizzBuzz是一个简单的小游戏。游戏规则如下：从1开始往上数数，当遇到3的倍数的时候，说fizz，当遇到5的倍数，说buzz，当遇到15的倍数，就说fizzbuzz，其他情况下则正常数数。# One-hot encode the desired outputs: [number, "fizz", "buzz", "fizzbuzz"]def fizz_buzz_encode(

一个神经网络的典型训练过程如下：定义包含一些可学习参数(或者叫权重）的神经网络在输入数据集上迭代通过网络处理输入计算loss(输出和正确答案的距离）将梯度反向传播给网络的参数更新网络的权重，一般使用一个简单的规则：weight = weight - learning_rate * gradient1.定义网络import torchimport torch.nn as nnimport torch.nn.functional as Fclass Net(nn.Module):

autograd 包为张量上的所有操作提供了自动求导机制。它是一个在运行时定义(define-by-run）的框架，这意味着反向传播是根据代码如何运行来决定的，并且每次迭代可以是不同的。1.张量torch.Tensor 是这个包的核心类。如果设置它的属性 .requires_grad 为 True，那么它将会追踪对于该张量的所有操作。当完成计算后可以通过调用 .backward()，来自动计算所有的梯度。这个张量的所有梯度将会自动累加到.grad属性。为了防止跟踪历史记录(和使用内存），可以将代码块包

pytorch基础1.张量（1）创建一个没有初始化的5*3矩阵（2）创建一个随机初始化矩阵（3）构造一个填满0且数据类型为long的矩阵（4）直接从数据构造张量（5）根据已有的tensor建立新的tensor。除非用户提供新的值，否则这些方法将重用输入张量的属性。2.运算（1）加法：形式一（2）加法：形式二（3）加法：形式三,给定一个输出张量作为参数（4）加法：原位/原地操作(in-place）（5）也可以使用像标准的NumPy一样的各种索引操作（6）改变形状：如果想改变形状，可以使用torch.view（