![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
PyTorch笔记
文章平均质量分 70
weixin_43267093
这个作者很懒,什么都没留下…
展开
-
PyTorch笔记(5)-完整模型训练套路
2、定义模型:创建模型的类,继承自'nn.Module',并在'__init__‘方法中定义模型的层次结构,在forward方法中实现前向传播。(可以使用tensorboard进行可视化,(打开日志文件的方法:在终端输入:tensorboard --logdir=所保存的目录名))6、验证:在每个迭代之后,可以使用验证集进行模型性能的评估,以监控模型的泛化能力。7、保存模型:选择在训练过程中保存模型的方式,以便在需要时加载和使用。a.前向传播:将输入数据传递给模型,计算模型输出。PyTorch提供了。原创 2024-02-15 22:59:21 · 370 阅读 · 1 评论 -
编码器与解码器
在深度学习中,编码器-解码器结构是一种常见的神经网络结构,用于处理序列数据、生成任务等。这种结构主要由两部分组成:编码器和解码器。原创 2024-02-10 20:48:56 · 374 阅读 · 1 评论 -
PyTorch笔记(4)
在PyTorch中,非线性激活函数通常用于神经网络的隐藏层,以引入网络的非线性。非线性激活函数在神经网络中的作用主要有两个方面:1、引入非线性:线性变换的组合仍然是线性的,如果没有非线性激活函数,多层神经网络将等效于单一的线性变换。非线性激活函数通过对神经元的输出进行非线性变换,使网络能够学习和表示更加复杂的函数关系。这是神经网络能够逼近任意复杂函数的关键。2、增加网络的表达能力:非线性激活函数扩展了神经网络的表达能力,使其能够学习和表示更复杂的映射关系。原创 2024-02-10 20:30:07 · 1498 阅读 · 1 评论 -
PyTorch笔记(3)-nn.Module的使用及一些神经网络层
继承‘nn.Module’类是构建自定义神经网络模型的第一步。通过创建一个新的类,并将其继承自‘nn.Module’,可以利用PyTorch提供的丰富的神经网络构建块来定义自己的模型。原创 2024-02-05 13:55:31 · 877 阅读 · 1 评论 -
PyTorch笔记(1)
Tensor又名张量是PyTorch中重要的数据结构,可认为是一个高维数组。它可以是一个数(标量)、一维数组(向量)、二维数组(矩阵)或更高维的数组。Tensor和numpy的ndarrays类似,但Tensor可以使用GPU加速。由上述例子可以发现:函数名后边带下划线_的函数会修改Tensor本身。例如:x.add_(y)和x.t_()会改变x的值,但x.add(y)和x.t()会返回一个新的Tensor,而x不变。另外Tensor和numpy的数组间的互操作非常容易且快速。原创 2024-02-04 21:56:57 · 335 阅读 · 1 评论 -
PyTorch笔记(2)
在PyTorch中,'Dataset'和'是两个关键的类,用于处理和加载数据,特别是在训练神经网络时。原创 2024-01-28 12:47:38 · 355 阅读 · 0 评论