动手深度学习
要加油GW
这个作者很懒,什么都没留下…
展开
-
PyTorch: view( )用法详解
i.e.torch.view(-1, 参数b),则表示在参数a未知,参数b已知的情况下自动补齐行向量长度,在这个例子中b=3,re总共含有6个元素,则a=6/2=3。PyTorch 中的view( )函数相当于numpy中的resize( )函数,都是用来重构(或者调整)张量维度的,用法稍有不同。torch:)——PyTorch: view( )用法详解。i.e.view(3, 2)将张量重构成了3x2维的张量。i.e.view(-1)将张量重构成了1维的张量。原创 2023-01-11 14:11:01 · 889 阅读 · 0 评论 -
avg_pool2d平均池化的使用方法
红框外面的是剩下的,默认不使用,如果想用可以设置ceil_mode ,下面讲解。原创 2023-01-10 13:17:00 · 1175 阅读 · 0 评论 -
加载cifar10脚本
【代码】加载cifar10脚本。原创 2023-01-07 16:50:16 · 81 阅读 · 0 评论 -
分类任务练习
分类任务实践原创 2022-08-14 10:48:19 · 150 阅读 · 0 评论 -
气温预测练习
代码】气温预测练习。原创 2022-08-13 21:55:21 · 186 阅读 · 0 评论 -
autograd机制
外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-4zRgepxz-1660359180011)(./img/2.png)]虽然没有指定t的requires_grad但是需要用到它,也会默认的。构造一组输入数据X和其对应的标签y。指定好参数和损失函数。...原创 2022-08-13 10:53:34 · 161 阅读 · 0 评论 -
tensorboard使用
tensorboard使用教程:教程原创 2022-07-09 10:19:44 · 85 阅读 · 0 评论 -
zip(*arg)的用法
zip(*arg)的使用原创 2022-05-25 21:48:17 · 172 阅读 · 0 评论 -
pytorch_reshape的使用
reshape的使用import numpy as np#假设z是一个3行4列的矩阵z = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])reshape(-1,newshape)的理解如果reshape的值有-1的话,那么Numpy会根据所给的新的shape的信息(newshape),自动计算补足shape缺的值比如这里的z矩阵,shape=(3,4),一共有12个元素,如果需要构造2列的新原创 2022-05-05 20:10:04 · 3451 阅读 · 0 评论 -
Dataset实战
from torch.utils.data import Datasetfrom PIL import Image#os获取文件import osroot_dir = "./hymenoptera_data/train"label_dir = "ants"path = os.path.join(root_dir, label_dir)print(path)./hymenoptera_data/train\antshelp(Dataset)Help on class Datase原创 2022-04-18 16:23:38 · 237 阅读 · 0 评论 -
Datase&DataLoader学习
Dataset and DataLoader学习test_list = [([1,11],'一','yi'),([2,22],'二','er'),([3,33],'三','san'),([4,44],'四','si')]import torchfrom torch.utils.data import Dataset,DataLoader这里只是一个理想化数据,用于演示Dataset,DataLoader的功能,你可以想象每个元组中是一条完整数据,分别是数据,标签,和掩码。如果我们直接使用Dat原创 2022-04-17 17:32:53 · 290 阅读 · 0 评论 -
图像分类数据集
图像分类数据集MNIST数据集是图像分类中广泛使用的数据集之一,但作为基准数据集过于简单。我们将使用类似但更复杂的Fashion-MNIST数据集%matplotlib inlineimport torchimport torchvisionfrom torch.utils import data#transforms 对数据操作的包from torchvision import transforms#存在d2lfrom d2l import torch as d2ld2l.use_s原创 2022-03-31 21:25:12 · 1423 阅读 · 0 评论 -
1自动求导
import torchx = torch.arange(4.0)xtensor([0., 1., 2., 3.])在我们计算y关于X的梯度前,我们需要一个地方来存储梯度x.requires_grad_(True) #等价于 ~x = torch.arange(4.0, requires_grad = True)x.grad # 默认值是Noney = 2 * torch.dot(x,x)ytensor(28., grad_fn=<MulBackward0>)通过原创 2022-03-30 20:35:52 · 291 阅读 · 0 评论 -
数据操作+数据预处理
数据操作首先,我们导入torch。import torch张量表示一个数值组成的数组,这个数组可能有很多维度x = torch.arange(12)xtensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])我们可以通过张量的shape属性来访问张量的形状和张量中元素的总数x.shapetorch.Size([12])x.numel()12X = x.reshape(3,4)Xtensor([[ 0, 1,原创 2022-03-29 17:24:23 · 1816 阅读 · 0 评论