![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
Pytorch中文教程
Allen Chou
这个作者很懒,什么都没留下…
展开
-
pytorch深度学习中每个epoch运行时间的统计代码
开头部分引入time模块,import time然后在每个epoch循环中开始处加入:since = time.time()结尾处加入以下代码:time_elapsed = time.time() - sinceprint('Training complete in {:.0f}m {:.0f}s'.format( time_elapsed // 60, time_elapsed % 60))...原创 2021-01-01 20:26:44 · 8980 阅读 · 0 评论 -
深度学习:使用pytorch训练cifar10数据集(基于Lenet网络)
文档基于b站视频:https://www.bilibili.com/video/BV187411T7Ye流程model.py ——定义LeNet网络模型 train.py ——加载数据集并训练,训练集计算loss,测试集计算accuracy,保存训练好的网络参数 predict.py——得到训练好的网络参数后,用自己找的图像进行分类测试文件目录结构截图:1. model.py先给出代码,模型是基于LeNet做简单修改,层数很浅,容易理解:# 使用torch.nn包来构建神经网原创 2020-09-23 20:40:25 · 2377 阅读 · 3 评论 -
Pytorch:线性回归的从零开始实现(原生实现)
线性回归的从零开始实现尽管强大的深度学习框架可以减少大量重复性工作,但若过于依赖它提供的便利,会导致我们很难深入理解深度学习是如何工作的。因此,本节将介绍如何只利用Tensor和autograd来实现一个线性回归的训练。完全手动实现神经网络的设计,不涉及调包。首先,导入本节中实验所需的包或模块,其中的matplotlib包可用于作图,且设置成嵌入显示。%matplotlib inlineimport torchfrom IPython import displayfrom matplotlib原创 2020-09-13 12:55:38 · 308 阅读 · 0 评论 -
PyTorch:训练MNIST数据集
本文主要描述了如何使用现在热度和关注度比较高的Pytorch(深度学习框架)构建一个简单的卷积神经网络,并对MNIST数据集进行了训练和测试。MNIST数据集是一个28*28的手写数字图片集合,使用测试集来验证训练出的模型对手写数字的识别准确率。加载MNIST数据集MNIST 包括6万张28x28的训练样本,1万张测试样本,很多教程都会对它”下手”几乎成为一个 “典范”,可以说它就是计算机视觉里面的Hello World。所以我们这里也会使用MNIST来进行实战。PyTorch中提供了MNI原创 2020-08-30 20:26:35 · 5729 阅读 · 3 评论 -
详解PyTorch 从零创建 CIFAR-10 的图像分类器神经网络
一般,深度学习的教材或者是视频,作者都会通过 MNIST 这个数据集,讲解深度学习的效果,但这个数据集太小了,而且是单色图片,随便弄些模型就可以取得比较好的结果,问题的复杂度还是不够的,但如果我们不满足于此,想要训练一个神经网络来对彩色图像进行分类,可以不可以呢?当然是可以的那么,神经网络的训练一般要进行哪些步骤呢?上图说明了一般有监督学习的训练过程。1. 加载数据集,并做预处理;2. 预处理后的数据分为feature 和 label 两部分, feature送到模型里面,label 被当.原创 2020-08-27 21:43:41 · 3707 阅读 · 3 评论 -
PyTorch:详解线性回归实战
线性回归对于线性回归,相信大家都很熟悉了,各种机器学习的书第一个要讲的内容必定有线性回归,这里简单的回顾一下什么是简单的一元线性回归。即给出一系列的点,找一条直线,使得这条直线与这些点的距离之和最小。上面这张图就简单地描绘出了线性回归的基本原理,下面我们重点讲讲如何用pytorch写一个简单的线性回归。这里简单的线性回归模型视为:y=kx+b,其中x是输入数据,k和b是需要学习的参数,y是网络的预测输出。那么学习的目的就是让网络预测输出尽可能接近真实标签y_real,所以损失函数可以使用M.原创 2020-08-26 21:35:14 · 460 阅读 · 1 评论 -
基于Pytorch的深度学习教程-图像基本操作
为了方便进行数据的操作,pytorch团队提供了一个torchvision.transforms包,我们可以用transforms进行以下操作:PIL.Image/numpy.ndarray与Tensor的相互转化; 归一化; 对PIL.Image进行裁剪、缩放等操作。通常,在使用torchvision.transforms,我们通常使用transforms.Compose将transforms组合在一起。PIL.Image/numpy.ndarray与Tensor的相互转换PIL.Ima原创 2020-08-02 21:08:28 · 614 阅读 · 0 评论 -
基于Pytorch的深度学习教程-PyTorch简介
PyTorch是一个基于python的科学计算包,主要针对两类人群:作为NumPy的替代品,可以利用GPU的性能进行计算 作为一个高灵活性、速度快的深度学习平台先使用anaconda安装pytorch,最好使用命令行方式,安装pytorch-gpu版本;入门张量Tensor(张量)类似于NumPy的ndarray,但还可以在GPU上使用来加速计算。创建一个没有初始化的5*3矩阵:import torchx = torch.empty(5, 3)print(x)输出:原创 2020-07-21 16:15:20 · 346 阅读 · 0 评论