PyTorch 深度学习 || 1. 基础 | Ch1.6 PyTorch 数据的准备

Mr_LeeCZ

已于 2023-06-30 10:27:28 修改

阅读量664

点赞数 4

分类专栏： Pytorch 深度学习文章标签：深度学习 pytorch 神经网络

于 2023-06-01 09:14:05 首次发布

本文链接：https://blog.csdn.net/weixin_40234309/article/details/130953030

版权

Pytorch 深度学习专栏收录该内容

23 篇文章 0 订阅 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

本文详细介绍了PyTorch中数据的准备过程，包括生成数据、本地数据和网络数据的预处理。通过示例展示了不同数据集的尺寸，如torch.Size([15, 1])等，同时还提及了Fashion-MNIST数据集的使用。" 112654348,10545558,AGV自动搬运系统：技术特点与优势解析,"['物流自动化', '智能制造', '自动化运输', 'AGV技术', '柔性制造']

摘要由CSDN通过智能技术生成

PyTorch 数据的准备

1. 生成数据的准备工作

import torch
import torch.utils.data as Data

#准备建模数据
x = torch.unsqueeze(torch.linspace(-1, 1

了解本专栏

订阅专栏解锁全文

超级会员免费看

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Mr_LeeCZ

关注关注

4
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

订阅专栏

Pytorch快速入门系列---（三）pytorch中的数据操作和预处理

qq_42681787的博客

03-11

1189

pytorch中torch.utils.data模块包含着一些常用的数据预处理的操作，主要用于数据的读取、切分、准备等。使用这些类能够对高维数组、图像等各种类型的数据进行预处理，以便深度学习模型的使用，针对文本数据的处理可以使用torchtext库进行相关的数据准备操作。

深度学习实战一：线性回归（基于Pytorch，含数据和详细注释）

惊鸿若梦一书生

05-16

629

线性回归是深度学习中最基础、最简单的模型。虽然简单，但是跟大多数监督学习算法的建模思路都是一样的。如果一个自变量和一个因变量，且二者关系可以用一条直线近似表示，则这种线性回归叫做：一元线性回归。线性回归的目标是找到一个与这些数据最吻合的线性函数，用来预测或分类。如果两个或两个以上自变量，且因变量和自变量之间是线性关系，则这种线性回归叫做：多元线性回归。回归的本来意思是，无论父母的身高多高或多矮，小孩的身高总是趋向于回到均值附近，也就是。线性回归是用来确定两种或两种以上变量间相互依赖关系的统计分析方法。

参与评论您还未登录，请先登录后发表或查看评论

动手学深度学习Pytorch——数据操作

m0_55818687的博客

07-21

320

《Dive into Deep Learning》学习笔记

PyTorch中的实时数据处理实时训练和推理深度学习模型

程序员光剑

07-14

1884

作者：禅与计算机程序设计艺术在深度学习领域，训练模型一般需要大量的训练样本数据，这些数据来自于收集各种各样的数据源（如图像、文本、视频等）。但是，由于这些数据通常非常庞大且分布不均匀，因此如何高效地进行数据的处理和加载成为一个关键问题。而深度学习框架提供了一些工具，可以对数据的读取、预处理、增广、批次化和存储等过程进行优化，简化开发者的

深度学习模型：Pytorch搭建ResNet、DenseNet网络，完成一维数据分类任务

生物医学工程学生的博客

07-17

2780

2023.1.17DenseNet和ResNet都是深度学习中常用的网络结构，它们各有优缺点。DenseNet的优点是可以充分利用网络中的信息，因为每个层都可以接收来自前面所有层的信息。这种密集连接的结构可以提高网络的准确性，减少过拟合的风险。此外，DenseNet的参数量比ResNet少，训练速度更快。ResNet的优点是可以解决深度网络中的梯度消失问题，使得网络可以更深更复杂。ResNet的残差结构可以让信息直接从前面的层传递到后面的层，避免了信息的丢失，提高了网络的准确性。

Pytorch实战 |Y4 common.py文件解读

weixin_35820421的博客

01-02

419

文件位置：./models/commonpy该文件是实现YOLO算法中各个模块的地方，如果我们需要修改某一模块（例如C3），那么就需要修改这个文件中对应模块的的定义。由于YOLOv5版本问题，同一个模块可能会看到不同的版本，这都是正常的，以官网为主即可。

睿智的目标检测66——Pytorch搭建YoloV8目标检测平台

热门推荐

Bubbliiiing的学习小课堂

05-15

4万+

又搞了个YoloV8，看起来似乎在抢这个名字。YoloV8所使用的主干特征提取网络主要为速度快做了一些优化：1、颈部结构使用普通的步长为2的3x3卷积。YoloV5最初使用了Focus结构来初步提取特征，在改进后使用了大卷积核的卷积来初步提取特征，速度都不快。YoloV7则使用了三次卷积来初步提取特征，速度也不快。YoloV8则使用普通的步长为2的3x3卷积核来初步提取特征（估计是感受野够了）。这样做会损失一些感受野，但是可以提高模型的速度。

【深度学习-图像分类篇】一文全：Pytorch搭建EfficientNe图像分类网络

是小武呀

06-10

2036

【深度学习-图像分类篇】Pytorch搭建EfficientNe图像分类网络1、理论基础1.1 EfficientNet网络简析EfficientNet 网络结构的改进之处EfficientNet不同模型的参数取值论文中不同 EfficientNet 模型的性能对比分析：EfficientNet-B0 baseline network 网络结构关于 MBConv 简析SE 注意力机制模块2、网络搭建Reference: 1、理论基础 1.1 EfficientNet网络简析网络发表的论文：Effic

Pytorch BERT

负负得正的博客

06-18

2875

环境使用 Kaggle 里免费建立的 Notebook教程使用李沐老师的动手学深度学习 网站和视频讲解小技巧：当遇到函数看不懂的时候可以按查看函数详解。原本的 Transformer 编码器是双向的，解码器才是单向的，BERT 只使用其编码器，使编码器进行改进，变成了完形填空。特殊分类标记 “” 的 BERT 表示对整个输入文本序列的信息进行编码。作为输入单个文本的表示，它将被送入到由全连接（稠密）层组成的小多层感知机中，以输出所有离散标签值的分布。 3.1 输入表示下面的将一个.....

Pytorch深度学习（3） -- CNN及其进阶模型实现（LeNet AlexNet VGG NIN GooLeNet )

weixin_44880916的博客

02-15

781

Pytorch深度学习（3） -- CNN及其进阶模型实现1.LeNet1.1 模型图1.2 模型实现1.3 计算准确率函数（下同，不赘述）1.4 训练、测试函数（下同，不赘述）2.AlexNet2.1 模型图2.2 模型实现3.VGG3.1 模型图3.2 模型实现3.2.1 VGG-Block模块3.2.2 VGG整体实现4.NIN(串联多个卷积层代替全连接层)4.1 模型图4.2 模型实现4...

深度学习+pytorch自学笔记（八）——二维卷积层、填充和步幅、多输入和多输出通道、池化层和卷积神经网络（LeNet）

weixin_45719141的博客

08-13

2097

参考书籍《动手学深度学习(pytorch版），参考网址为： https://tangshusen.me/Dive-into-DL-PyTorch/#/chapter05_CNN/5.1_conv-layer https://zh-v2.d2l.ai/chapter_convolutional-neural-networks/index.html 请大家也多多支持这两个很好用的平台~ 大部分内容为书中内容，也有部分自己实验和添加的内容，如涉及侵权，会进行删除。一、二维卷积层卷积神经网络（convolut

Pytorch模型转TensorRT踩坑

weixin_44749835的博客

10-12

1238

博主使用mmclassification项目来训练道路标志识别模型，并且使用官方代码中的pytorch2onnx以及onnx2tensorrt脚本，由于工程需要使用的tensorrt版本为6.0，但是遇到了如下问题：输出的onnx很复杂，有乱七八糟的结构方法是将输出的onnx模型通过simplifier简化版本问题博主pytorch2onnx转换成功，但是再转trt的时候收到如下报错经过google后发现是版本问题，大意是trt6不支持pytorch1.3，所以onnx解释器（onnx2

基于深度学习的智能电网优化

weixin_42605076的博客

09-21

841

基于深度学习的智能电网优化是一种结合先进人工智能技术和电网管理的策略，旨在提高电力系统的效率、稳定性和可持续性。智能电网（Smart Grid）利用深度学习等技术来处理复杂的电力需求数据、生成精准的电力负载预测、优化电力调度、提高故障检测能力，并整合可再生能源资源。下面详细介绍其核心应用和发展方向。

【深度学习】深度学习模型的加密及解密方案及源码

利哥AI实例探险

09-18

1126

本文主要根据自己遇到的情况，例如：对于yolo或paddle训练的模型文件，对外使用，不想要别人拿到我的模型文件随意乱用，此时就涉及到对模型文件进行加密与解密 深度学习模型的加密保护非常重要，尤其在商业应用场景下。常见的模型加密方法包括模型文件加密、加密硬件加密、授权管理和自定义解密机制。下面介绍几种常用方法及其原理。

robomimic应用教程（一）——模型训练