Pytorch学习

电子信息的救赎

已于 2022-06-09 22:34:46 修改

阅读量306

点赞数

分类专栏：读书笔记文章标签： pytorch 学习深度学习

于 2022-06-05 16:17:40 首次发布

本文链接：https://blog.csdn.net/weixin_42105419/article/details/125114073

版权

读书笔记专栏收录该内容

3 篇文章 0 订阅

订阅专栏

这篇博客介绍了PyTorch框架及其自动梯度机制，通过线性回归实例展示了基本操作。接着探讨了卷积网络的参数设计，包括卷积核大小、步长和边缘填充，并解释了卷积结果计算公式。还讨论了池化层，特别是MaxPooling的作用。最后提到了经典的Alexnet和VGG网络，以及引入残差网络（Resnet）以解决深度学习中的梯度消失问题。

摘要由CSDN通过智能技术生成

Pytorch 登场

定义：框架，帮我们把矩阵传入到CPU、GPU上

caffe 不更新、无法引入新思想
tensorflow 结果不直观、使用流程僵硬
keras 封装过的tensorflow

cuda+anaconda+pytorch安装

框架

框架最厉害的一件事情就是帮我们把反向传播全部都计算好了,对矩阵进行求导
需要求导的可以手动定义：
x=torch.randn(3,4,requires_grad=true)

autogard机制

返向传播计算
w.grad

线性回归实例

图像数据一般都是np.array的格式
并且为了防止出错我们一般转换成矩阵的格式

x_values=[i for i in range(11)]
x_train  = np.array(x_values,dtype=np.float32)
x_train = x_train.reshape(-1,1)
x_train.shape
y_values=[2*i + 1  for i in x_values]
y_train  = np.array(y_values,dtype=np.float32)
y_train = y_train.reshape(-1,1)
y_train.shape
import torch
import torch.nn as nn 

class linearregresionmodle(nn.Moule):
	def __init__(self,input_dim,output_dim):