weixin_44790306的博客

目录一. Anaconda镜像安装tensorflow-gpu1.14及Keras超详细版二. Anaconda镜像安装GPU版pytorch0.导入镜像包1.创建Python环境2.激活环境3. conda安装pytorch-GPU 与对应版本的cuda,cudnn4. 3. 检测是否安装成功一. Anaconda镜像安装tensorflow-gpu1.14及Keras超详细版安装tensorflow-gpu1.14及Keras（参考该博主）超级详细的过程在链接中。下载安装好了cuda10.0,与对

本章再次重温informer 的重点细节，对Informer模型的问题背景与应用数据场景有了更进一步理解，按作者的表达，适用于具有周期性的数据集，适合做一个较长的时序预测，如果过于短期的预测反而不能很好的体现informer应有的性能。继续从三大挑战出发，提出三点对应的处理方法，从数学推导到实际模型验证的过程。以及论文源码中出现的一些小技巧的学习，比如 EarlyStopping的原理与使用技巧。Reference：1.细读informer与项目学习2. 类Transformer模型的长序列分析预测新方

文章目录摘要一. Visual Transformer (ViT)模型1.1 ViT模型整体结构1.2小结二. VIT 代码实现PyTorch版本摘要一. Visual Transformer (ViT)模型论文源地址：https://arxiv.org/abs/2010.11929参考博客地址：VIT详细讲解1.1 ViT模型整体结构ViT模型是基于Transformer的模型在CV视觉领域的开篇之作，本篇将尽可能简洁地介绍一下ViT模型的整体架构以及基本原理。ViT模型是基于Transfor

目录VIT模型简洁理解版代码VIT模型简洁理解版代码## from https://github.com/lucidrains/vit-pytorchimport osos.environ['KMP_DUPLICATE_LIB_OK'] = 'True'import torchimport torch.nn.functional as Fimport matplotlib.pyplot as pltfrom torch import nnfrom torch import Tensor

文章目录摘要一. 细致理解Transforemr模型Encoder原理讲解与其Pytorch逐行实现1.1 关于word embedding1.2 生成源句子与目标句子1.3 构建postion embedding1.4 构建encoder 的self-attention mask1.5 构建 intra_attention 的mask(交叉attention)摘要本周从NLP方向，详细理解了Transformer的词向量，位置编码，编码器的子注意力的mask原理，以及一. 细致理解Transfo

目录main_informer.py 源码详情注释main_informer.py 源码详情注释import argparseimport datetimeimport jsonimport osimport shutilimport sysimport pandas as pdimport torchfrom exp.exp_informer import Exp_Informerfrom utils.visualization import *from utils.initi

exp.informer.py的详细简单注释# 数据加载器import datetimeimport sys# 在自定义的data模块中import pandas as pdfrom data.data_loader import Dataset_ETT_hour, Dataset_ETT_minute, Dataset_Custom, Dataset_Pred#from exp.exp_basic import Exp_Basic# 导入模型from models.model im