![](https://img-blog.csdnimg.cn/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
Pytorch深度学习实践
文章平均质量分 71
pig774
这个作者很懒,什么都没留下…
展开
-
PyTorch深度学习实践 第十二讲 循环神经网络(RNN)(基础篇)
视频链接:《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibiliRNN循环神经网络是用来处理有时间前后顺序的输入数据,典型的就是自然语言处理了。目录1.RNNcell2.RNN3.使用RNNCell建立模型:'hello'->'ohlol'4.使用RNN建立模型:'hello'->'ohlol'1.RNNcellRNN cell的本质就是全连接层,只不过它的输入来自两个部分,一个部分是上次运行结果的输出,另一个部分是本次的输入数据,具体如下...原创 2021-11-21 17:11:51 · 1614 阅读 · 0 评论 -
PyTorch深度学习实践 第十一讲 卷积神经网络(高级篇) Inception Module 手写数字识别
我这里先对实现Inception Modele的模型类进行说明。首先,因为我们后面需要将4个分路上的通道数连接,因此不管怎样除了通道数以外的batch_size,width,height都不能变,所以在Inception Modele实现卷积层操作时,我们都对其进行了填充,就是使每次卷积后的width,height保持不变,这里要理解,是很关键的。原创 2021-11-20 22:52:50 · 945 阅读 · 0 评论 -
PyTorch深度学习实践 第十讲 卷积神经网络(基础篇)
使用卷积神经网络解决手写数字识别问题原创 2021-11-20 17:48:00 · 1939 阅读 · 0 评论 -
PyTorch深度学习实践 第九讲 多分类问题 手写数字识别(训练+测试) 超详细
PyTorch深度学习实践 第九讲 多分类问题 手写数字识别(训练+测试) 超详细原创 2021-11-20 11:25:44 · 1967 阅读 · 4 评论 -
深度学习实践 第八讲 加载数据集(PyTorch自带数据集(torchvision.datasets自带数据集)和非自带)
视频链接:《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibili本次我们要学会使用DataLoader数据加载器来对数据集进行mini_batch批处理,这样可以防止过拟合,以便有更好的泛化能力。几个名词的解释:epoch:指的是一次性训练全部样本的次数total_size:全部的样本数batch_size:指的是将全部样本分批训练,一批中的样本数total_batch:指的是将全部样本分为多少批来看下面这个例子:total_size = 10000 有10000原创 2021-11-19 20:40:46 · 1280 阅读 · 2 评论 -
PyTorch深度学习实践 第七讲 处理多维特征的输入
视频链接:《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibili本次我们使用的数据集是糖尿病Diabetes dataset,是一个二分类问题。矩阵是一个空间变换函数Diabetes dataset的数据集的x的特征数为8,因此我们要做的是8D->1D的非线性转换下图是我们模型设计思路:所以我们这里其实是一个神经网络模型,如下图所示:数据集展示:(数据集链接在最下面)链接:https://pan.baidu.com/s/14Gotj40N..原创 2021-11-19 17:53:03 · 1025 阅读 · 0 评论 -
PyTorch深度学习实践 第六讲 逻辑回归
视频资料:《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibili本讲的作业是用PyTorch实现二分类问题。与上讲的作业线性回归有两点区别:需要对预测值使用激活函数sigmoid,因此在前向传播中我们需要加上这一步 损失函数不再使用均方误差,而使用交叉熵误差(回归问题用均方误差,分类问题用交叉熵误差)现在上代码:# 用Pytorch实现二分类import numpy as npimport torchimport torch.nn.functional as Fim原创 2021-11-19 15:45:48 · 174 阅读 · 0 评论 -
Pytorch深度实践入门 第四讲作业 反向传播
b站视频:《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibili第四讲作业我这里是采用了所有的数据集进行学习,若训练集太多,就要采用mini_batchimport torchimport matplotlib.pyplot as pltimport numpy as np# s数据集x_data = [1.0, 2.0, 3.0]y_data = [2.0, 4.0, 6.0]# 设置初始值并梯度追踪w1 = torch.Tensor([1.0])w2 = tor.原创 2021-11-18 20:49:06 · 829 阅读 · 1 评论 -
PyTorch深度学习实践 第五讲 用PyTorch实现线性回归模型
视频链接:《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibili本次作业是测试不同的优化器的算法效果,我这里只测试了四种。由于这里的数据集太少,所以图像显示的结果可能与实际生活中的数据集的测试效果有差,等到后面我再用大的数据集测试一下。看代码吧# 不同的优化器的结果对比import numpy as npimport torchimport matplotlib.pyplot as plt# 准备数据集x_data = torch.Tensor([[1.0], [2原创 2021-11-19 14:22:22 · 291 阅读 · 0 评论