PyTorch深度学习实战

已于 2023-12-19 14:55:13 修改
阅读量431 收藏 10
点赞数 9
分类专栏： 人工智能 文章标签： 深度学习 pytorch 人工智能
于 2023-12-12 15:44:32 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43952169/article/details/134951006
版权

1.机器学习基础

1.1 模型评估与模型参数选择

训练集上的平均误差被称为训练误差
测试集上的误差成为泛化误差，泛化误差是衡量一个模型泛化能力的重要标准
之所以不能把训练误差作为模型参数选择的标准，是应为训练集可能存在以下问题：

  1. 训练集样本太少，缺乏代表性
  2. 训练集中本身存在错误的样本，即噪声
    如果片面地追求训练误差的最小化，就会导致模型参数复杂第增加，使得模型过拟合
    防止出现过拟合的问题，通常可以采取的方法有：使用验证集调参和对损失函数进行正则化两种方法

2. PyTorch深度学习基础

2.2 Tensor的索引，切片，拼接，拆分，Reduction操作

可以看以下链接Tensor的索引，切片，拼接，拆分，Reduction操作

2.2.1 整数索引

在进行整数索引的时候，例如以下例子，获取(0,2)和(1,2）两个位置上的数据组成一个一维向量
在这里插入图片描述

狄洺
关注
专栏目录
PyTorch深度学习实战（3）——使用PyTorch构建神经网络
盼小辉丶的博客
06-13 6万+
PyTorch 是一个用于构建深度神经网络的库，具有灵活性和可扩展性，可以轻松自定义模型。在本节中，我们将使用 PyTorch 库构建神经网络，利用张量对象操作和梯度值计算更新网络权重，并利用 Sequential 类简化网络构建过程，最后还介绍了如何使用 save、load 方法保存和加载模型，以节省模型训练时间。
PyTorch深度学习实战（1）——神经网络与模型训练过程详解
热门推荐
盼小辉丶的博客
05-28 6万+
在本节中，我们将了解传统机器学习与人工神经网络间的差异，并了解如何在实现前向传播之前连接网络的各个层，以计算与网络当前权重对应的损失值；实现反向传播以优化权重达到最小化损失值的目标。并将实现网络的所有关键组成——前向传播、激活函数、损失函数、链式法则和梯度下降，从零开始构建并训练了一个简单的神经网络。
PyTorch深度学习实战（2）——PyTorch基础
盼小辉丶的博客
06-04 4万+
PyTorch 是广泛应用于机器学习领域中的强大开源框架，因其易用性和高效性备受青睐。在本节中，将介绍使用 PyTorch 构建神经网络的基础知识。首先了解 PyTorch 的核心数据类型——张量对象。然后，我们将深入研究用于张量对象的各种操作。PyTorch 提供了许多帮助构建神经网络的高级方法及组件，并提供了利用 GPU 更快地训练神经网络的张量对象。
pytorch深度学习实战
shuaiqidexiaojiejie的博客
06-24 3359
爱因斯坦求和是一种对求和公式简洁高效的记法，其原则是当变量下标重复出现时，即可省略繁琐的求和符号。比如求和公式： 其中变量 a 与变量 b 的下标是相同的（即重复出现），则可将其记为： einsum方法正是利用了爱因斯坦求和简介高效的表示方法，从而可以驾驭任何复杂的矩阵计算操作。基本的框架如下： 上述操作表示矩阵A与矩阵B的点积。输入的参数分为两部分，前面表示计算操作的字符串，后面是以逗号隔开的操作对象（数量需与前面对应）。其中在计算操作表示中，"->“左边是以逗号隔开的下标索引，重复出现的索引即是需要
PyTorch深度学习实战（18）——目标检测基础
盼小辉丶的博客
09-29 4439
目标检测是计算机视觉领域中的重要任务，它旨在从图像或视频中准确地定位和识别出感兴趣的目标物体，目标是将输入图像中的目标区域框出，并为每个目标提供正确的类别标签，在许多应用领域都有广泛的应用，包括智能监控、自动驾驶、人脸识别等。在本节中，介绍了如何利用 ybat 准备训练数据集、使用 SelectiveSearch 库实现区域提议算法、对模型的预测执行非极大值抑制以及衡量模型性能。
PyTorch深度学习实战下载
weixin_29424569的博客
07-12 151
PyTorch深度学习实战下载指南 1. 整体流程 为了实现PyTorch深度学习实战的下载，我们需要按照以下步骤进行操作： 步骤 操作 1 下载PyTorch深度学习实战的源代码 2 安装PyTorch深度学习实战所需的依赖包 3 运行PyTorch深度学习实战的示例代码 2. 具体操作步骤 ...
PyTorch深度学习实战（34）——DCGAN详解与实现
盼小辉丶的博客
01-25 3352
DCGAN 是优秀的图像生成模型，其生成网路和判别网络都是使用卷积层和反卷积层构建的深度神经网络。生成网络接收一个随机噪声向量作为输入，并通过逐渐减小的反卷积层将其逐渐转化为与训练数据相似的输出图像；判别网络则是一个用于分类真实和生成图像的卷积神经网络。在本节中，我们学习了如何构建并训练 DCGAN 生成人脸图像。
PyTorch 深度学习实战
weixin_43360707的博客
10-06 1087
Anaconda学习。
PyTorch深度学习实战（46）——深度Q学习
盼小辉丶的博客
07-15 2309
深度 Q 学习是一种结合了深度学习和强化学习的方法，通过深度神经网络逼近 Q 值函数，在解决大规模、连续状态空间问题方面具有优势，并在多个领域展示了强大的学习和决策能力。在本节中，介绍了深度 Q 学习的基本概念，并学习了如何使用 PyTorch 实现深度 Q 学习进行 CartPole 游戏。
pytorch深度学习实战微视频版.zip
10-16
pytorch深度学习实战微视频版.zip
深度学习之循环神经网络(RNN)
weixin_43775295的博客
11-12 353
其一般处理单个的输入，前一个输入和后一个输入完全无关，但实际应用中，某些任务需要能够更好的处理序列的信息，即前面的输入和后面的输入是有关系的。​ 由于RNN特有的memory会影响后期其他的RNN的特点，梯度时大时小，learning rate没法个性化的调整，导致RNN在train的过程中，Loss会震荡起伏，为了解决RNN的这个问题，在训练的时候，可以设置临界值，当梯度大于某个临界值，直接截断，用这个临界值作为梯度的大小，防止大幅震荡。中必须包含原始序列中的所有信息，它的长度就成了限制模型性能的瓶颈。
深度学习——前向传播与反向传播、神经网络（前馈神经网络与反馈神经网络）、常见算法概要汇总
11-09 1184
面试资料收集者之深度学习——前向传播与反向传播、神经网络（前馈神经网络与反馈神经网络）、常见算法概要汇总
CNN和MobileNetV2搭建的水果识别模型
chengxuyuanlaow的博客
11-09 706
在本项目中着重探索了利用深度学习模型进行水果图像分类的方法。具体而言包括使用卷积神经网络（CNN）模型进行水果图片的分类和探索轻量级神经网络模型MobileNetV2在水果图像分类中的应用。在第一项任务中，使用TensorFlow构建了一个简单的CNN模型，并通过调整模型参数来提高准确率。在实验过程中发现由于数据集的问题，训练结果并不理想，测试集上的准确率低于预期，同时出现了过拟合的情况。针对这个问题，从优化器、学习率和训练轮次等方面入手，对模型进行了改进和调整。
深度学习：掩蔽softmax
m0_49786943的博客
11-12 418
假如valid_lens=tensor([2, 3, 1])shape[1]为3（即第一个样本每一行的有效长度为2，第二个样本每一行有效长度为3，第三个样本每一行有效长度为1），通过代码valid_lens将会变为tensor([2, 2, 2, 3, 3, 3, 1, 1, 1])即有效长度成功扩展到每个位置。valid_lens = valid_lens.reshape(-1): 将 valid_lens 展平为一维张量，形状为 (batch_size * sequence_length,)
【循环神经网络】
最新发布
严文文 Chris
11-12 582
RNN是一种强大的序列建模工具，适合处理各种时间序列和自然语言数据。然而，传统RNN在处理长序列时存在梯度消失问题，随着LSTM和GRU等改进模型的引入，RNN的性能得到了极大提升。无论是在自然语言处理、语音识别，还是时间序列分析等领域，RNN都发挥了重要作用。
[卷积神经网络]使用YOLOv11训练自己的模型
就随便写写....
11-08 669
使用YOLOv11训练自己的数据
生成模型——PixelRNN与PixelCNN
大摆王的博客
11-12 275
PixelRNN 是一种基于循环神经网络（RNN）的像素级生成模型，通过逐个像素地生成图像来构建完整的图像，其核心思想是将图像中的像素视为序列，并利用 RNN 的能力来捕捉像素之间的依赖关系。PixelCNN 是一种基于卷积神经网络（CNN）的像素级生成模型，它使用掩码卷积来捕捉像素之间的依赖关系。
《深度学习》——深度学习基础知识（全连接神经网络）
qq_59702185的博客
11-07 1036
在介绍神经网络之前，我们先看下面这幅图：人工智能>机器学习>深度学习深度学习是机器学习的⼀个⼦集，也就是说深度学习是实现机器学习的⼀种⽅法。与机器学习算法的主要区别如下图所示：传统机器学习依赖于人工设计特征，并进行特征提取，而深度学习算法不需要人工，而是依赖算法自动提取特征，这也是深度学习被看做黑盒子、可解释性差的原因。卷积神经网络（CNN）循环神经网络（RNN）生成对抗网络（GAN）深度强化网络（DRN）
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值