xckkcxxck的博客

输入：预测值和目标值。预测值的形状应该是(batch_size, num_classes)，表示对每个类别的预测概率；目标值的形状应该是(batch_size,)，表示每个数据的真实类别标签。输入：预测值和目标值，它们的形状应该是相同的。例如，如果你有一个批量大小为batch_size的数据，每个数据有n个特征，那么预测值和目标值的形状都应该是(batch_size, n)。输出：一个标量，表示计算得到的均方误差损失。输出：一个标量，表示计算得到的交叉熵损失。

# -*- coding: utf-8 -*-"""Created on Sun Sep 2 15:54:06 2018@author: www"""import numpy as npimport torchfrom torchvision.datasets import MNISTfrom torch.utils.data import DataLoaderfrom ...

# -*- coding: utf-8 -*-"""Created on Sun Sep 2 09:50:01 2018@author: www"""import torchfrom torch.autograd import Variableimport numpy as npimport matplotlib.pyplot as plt#设定随机种子torch.m...

# -*- coding: utf-8 -*-"""Created on Tue Aug 7 11:15:54 2018@author: www"""import numpy as npimport torchfrom torch import nnfrom torch import optimfrom torch.autograd import Variableimpo...

2,3,5,7,11,13,....是素数序列。类似：7,37,67,97,127,157 这样完全由素数组成的等差数列，叫等差素数数列。上边的数列公差为30，长度为6。2004年，格林与华人陶哲轩合作证明了：存在任意长度的素数等差数列。这是数论领域一项惊人的成果！有这一理论为基础，请你借助手中的计算机，满怀信心地搜索：长度为10的等差素数列，其公差最小值是多少？ 注意：需要提交...

对于最简单的RNN，我们可以使用以下两个方法调用，分别是 torch.nn.RNNCell() 和 torch.nn.RNN()，这两种方式的区别在于 RNNCell() 只能接受序列中单步的输入，且必须传入隐藏状态，而 RNN() 可以接受一个序列的输入，默认会传入全 0 的隐藏状态，也可以自己申明隐藏状态传入。RNN（）的参数：input_size 表示输入特征的维度；hidden...

代码如下，U我认为对于新手来说最重要的是学会rnn读取数据的格式。# -*- coding: utf-8 -*-"""Created on Tue Oct 9 08:53:25 2018@author: www"""import syssys.path.append('..')import torchimport datetimefrom torch.autogra...

UserWarning: invalid index of a 0-dim tensor. This will be an error in PyTorch 0.5. Use tensor.item() to convert a 0-dim tensor to a Python number当报这个错的一般会有两个原因，一个是这种写法：loss.data[0]   应该改成loss.i...

在pytorch中去写训练函数和测试函数是一件重复的事，因此可以写成一个总的训练文件。from datetime import datetimeimport torchimport torch.nn.functional as Ffrom torch import nnfrom torch.autograd import Variabledef get_acc(output,...

本文参考书籍《深度学习入门之pytorch》首先看一下我们的数据集：可以看出数据有递增的趋势，但是有很大的波动性。这里我们尝试用rnn来解决。贴一下代码：# -*- coding: utf-8 -*-"""Created on Tue Oct 9 11:28:39 2018@author: www"""import numpy as npimport pan...

关于动量法的原理这里不写了，参考别的文章：https://blog.csdn.net/tsyccnh/article/details/76270707以下是代码实现：# -*- coding: utf-8 -*-"""Created on Sun Sep 2 15:54:06 2018@author: www"""import numpy as npimport tor...

# -*- coding: utf-8 -*-"""Created on Mon Sep 3 08:38:27 2018@author: www"""import torchfrom torch import nnfrom torchvision.datasets import MNISTimport numpy as npfrom torch.autograd impo...

目前数据预处理最常见的方法就是中心化和标准化。中心化相当于修正数据的中心位置，实现方法非常简单，就是在每个特征维度上减去对应的均值，最后得到 0 均值的特征。标准化也非常简单，在数据变成 0 均值之后，为了使得不同的特征维度有着相同的规模，可以除以标准差近似为一个标准正态分布，也可以依据最大值和最小值将其转化为 -1 ~ 1 之间批标准化：BN在数据预处理的时候，我们尽量输入特征不...

本文学习于书籍《深度学习入门之pytorch》对于一个单词，会有这不同的词性，首先能够根据一个单词的后缀来初步判断，比如 -ly 这种后缀，很大概率是一个副词，除此之外，一个相同的单词可以表示两种不同的词性，比如 book 既可以表示名词，也可以表示动词，所以到底这个词是什么词性需要结合前后文来具体判断。根据这个问题，我们可以使用 lstm 模型来进行预测，首先对于一个单词，可以将其看作一...

这里主要使用自动编码器实现生成数据，以MNIST数据为例。# -*- coding: utf-8 -*-"""Created on Thu Oct 11 20:34:33 2018@author: www"""import osimport torchfrom torch.autograd import Variablefrom torch import nnfrom...

本来以为自动编码器是很简单的东西，但是也是看了好多资料仍然不太懂它的原理。先把代码记录下来，有时间好好研究。这个例子是用MNIST数据集生成为例子。# -*- coding: utf-8 -*-"""Created on Fri Oct 12 11:42:19 2018@author: www"""import osimport torchfrom torch.aut...

# -*- coding: utf-8 -*-"""Created on Sat Oct 13 10:22:45 2018@author: www"""import torchfrom torch import nnfrom torch.autograd import Variableimport torchvision.transforms as tfsfrom tor...

# -*- coding: utf-8 -*-"""Created on Wed Sep 5 09:10:52 2018@author: www"""import syssys.path.append('...')import numpy as npimport torchfrom torch import nnfrom torch.autograd import V...

# -*- coding: utf-8 -*-"""Created on Tue Sep 4 21:17:05 2018@author: www"""import syssys.path.append("...")import numpy as npimport torchfrom torch import nnimport torch.nn.functional a...

# -*- coding: utf-8 -*-"""Created on Tue Sep 4 15:16:18 2018@author: www"""import syssys.path.append("...")import numpy as npimport torchfrom torch.autograd import Variablefrom torch im...

# -*- coding: utf-8 -*-"""Created on Tue Sep 4 08:47:56 2018@author: www"""import syssys.path.append('...')import numpy as npimport torchfrom torch import nnfrom torch.autograd import V...

# -*- coding: utf-8 -*-"""Created on Mon Sep 3 20:24:28 2018@author: www"""import numpy as npimport torchfrom torch import nnfrom torch.autograd import Variableimport torch.nn.functional ...

本文学习于《深度学习入门之Pytorch》      对于图像分类的问题，我们会使用one-hot方式进行分类，但是对于NLP中的问题，处理单词这种十分多种类的问题时，使用one-hot是行不通的，这个时候就引入了词嵌入。       词向量简单来说就是用一个向量去表示一个词语，但是这个向量并不是随机的，因为这样并没有任何意义，所以我们需要对每个词有一个特定的向量去表示他们，而有一些词的词...