xulili18714852395的博客

上一篇博文用的是手动求导，更新权重和截距，本篇博文主要是借助Pytorch自动自动求导引擎。计算图(Computation Graph)是PyTorch的核心，其为高效自动求导算法——反向传播(Back Propogation)提供了理论支持。其中torch.autograd是一套自动求导引擎，它能够根据输入和前向传播过程自动构建计算图，并执行反向传播。#在创建tensor的时候指定requires_grad,三种方式#（1）a = t.randn(3,4, requires_grad=Tr

Tensor，又名张量，从工程角度，他就是一个数组，且支持高效的科学计算。它可以是一个数（标量），一维数组（向量），二维数组（矩阵）和更高维的数组Tensor的接口有意设计成与Numpy类似，方便用户使用。特点：可以随意的在gpu/cpu上传输使用tensor.cuda(device_id) 或者 tensor.cpu()Tensor 的操作可分为两类：1.torch.function，比如torch.save2.tensor.function,比如 tensor.view1.创建t

对于深度学习中数据加载及预处理，PyTorch提供了封装好的接口供用户快速调用，极大简化和加快数据处理流程，数据集主要保存在torchvison中。数据集：CIFAR-10目标：分类数据集介绍：该数据集共有60000张彩色图像，这些图像是32*32，分为10个类，每类6000张图。一个常用的彩色图片数据集，它有10个类别: 'airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck

Pytorch主要特点是能够无缝和python语言整合，方便深度学习模型的构建和调试，以及使用动态计算图模型，灵活地实现各种需要的功能。Pytorch 的高性能和易用性使它拥有很多学术界用户的用户。目前Pytorch场景应用包含：计算机视觉和自然语言处理的应用、推荐系统、语音识别语音合成、以及强化学习的应用。本专栏主要记录PyTorch学习路径。Tensor（张量）是PyTorch中重要的数据结构，可认为是一个高维数组。它可以是一个数（标量）、一维数组（向量）、二维数组（矩阵）以及更高维的数组。#