zjh12312311的博客

PyTorch中定义模型时，有时候会遇到self.register_buffer('name', Tensor)的操作，但是在使用时发现，buffer里的值发生变化了。解决办法为使用clone。

做数据操作的时候发现计算错误，检查才知道是reshape和transpose混了。这里对两者的对比做个笔记。代码： a = torch.rand((3,4)) print(a) print('transpose',a.transpose(0,1)) print('reshape',a.reshape(4,3))输出：tensor([[0.0908, 0.6192, 0.1025, 0.7192], [0.4392, 0.2334, 0.212

报错截图网上有很多关于这个错误的解决方法，出错原因都不一样。我的出错原因： def step(self, X, Y): X = X.flatten(1) b, _ = X.shape deltaW = self.lr * (torch.mm(X.T,Y) - self.inhibit)/b self.weight.data.add_(deltaW)这里我的X，Y是输入，模型用了GPU。在输入时，X转到GPU上..

本来应该不会在test阶段发生的，因为这时已经不求导了，检查发现，在模型计算时少了with torch.no_grad:即应该：with torch.no_grad: pred = model(input)

pytorch报错RuntimeError: bool value of Tensor with more than one value is ambiguous被自己蠢哭,错误原因是，因该写成以下这样的model = Net()out = model(input)我写成了out = Net(input)

可视化工具使用matplotlib，针对经过torchvision的tranformer变换后要可视化的一些问题原图：问题1经过处理后，如果直接去做可视化，如使用这样的语句：img = img.detach().cpu().numpy().reshape(224,224,3)出现图像如下解决方法，使用ToPILImagefrom torchvision.transforms import ToPILImageimg = ToPILImage()(img...

pytorch 报一下错误：RuntimeError: one of the variables needed for gradient computation has been modified by an inplace operation: [torch.cuda.FloatTensor [1024, 512, 3, 3]], which is output 26 of BroadcastBackward, is at version 2; expected version 1 instead. Hi

最近在做分类模型，记录一下调参技巧：1. 学习率，一般0.0001，但如果用了pre-trained模型，设置为0.000012. batch_size，机器允许情况下越大越好，但根据训练数据大小，这个值也不能特别大，一般小数据集推荐128，像ImageNet这种256，512。如果你的batch_size是64，不妨设大一点，会有惊喜。3. 如果是卷积神经网络，中间卷积的通道数channels很重要，有次把64通道改为128，准确率涨了10%左右。4. 训练集是否打乱，即pytorch中t

import torch from torchstat import stat import torchvision.models as models net = models.vgg11() stat(net,(3,224,224)) # (3,224,224)表示输入图片的尺寸使用 torchstat库结果为：

InstanceNorm2d 通道归一化，适合做图像风格类的任务但我在操作中，它导致梯度很快消失了，不知道为什么……同样代码改成Batch Normalization梯度良好。有大佬知道为什么吗

方法一：from itertools import chainoptim.Adam(params=chain(backbone_net.parameters(), linear_rot_net.parameters(), linear_classify_net.parameters()),作者：Sail链

加载matplotlib报错from . import _imaging as core ImportError: DLL load failed:版本问题卸载matplotlib： pip uninstall matplotlib, 再安装不行的话，卸载Pillow: pip uninstall Pillow, 再安装还是不行的话，用pip卸载，用conda安装：pip uninstall Pillowconda install Pillow...

我可视化的图，出现这种问题是因为，我把dataloader里面拿出来的直接可视化了train_dataset = torchvision.datasets.CIFAR10(root='data/', train=True, transform=transforms.Compose( ..

报错如图：解决方法：将 num_workers = 2, 改成num_workers = 0 dataloader = torch.utils.data.DataLoader( train_dataset, batch_size=1, shuffle=True, num_workers=2, pin_memory=gpu )

import torchimport torchvisionimport torchvision.transforms as transformsfrom PIL import Imageimport numpy as nptrans = transforms.Compose([ transforms.Resize([224,224]), transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5,.

1. pytorchimport torchimport torch.nn as nnfrom torchvision import datasets, transformsimport torch.utils.data as Datafrom torch.autograd import Variable# datapath = r"D:\jupyter_data"# 3通道归一化要三个# transform = transforms.Compose([transforms.ToTen

import torchimport torch.nn as nnfrom torch.nn import initfrom torch.autograd import Variableimport torchvisionimport torchvision.transforms as Timport torch.optim as optimfrom torch.utils.data import DataLoaderfrom torch.utils.data import sampler.

卷积核可视化意思核feature map可视化是一样的把卷积核的权重变成图像输出来#卷积核可视化def show_kernal(model): # 可视化卷积核 for name, param in model.named_parameters(): if 'conv' in name and 'weight' in name: in_channels = param.size()[1] out_channels =

因为要对网络里的layer操作，所以网络层命名发生了一些改变LeNet5.pyimport torch.nn as nnimport numpy as npimport torchfrom collections import OrderedDict#定义lenet5class LeNet5(nn.Module): def __init__(self, num_clases=10): super(LeNet5, self).__init__()

一、安装pytorch，安装tensorboardX使用pycharm的seting安装就好二、搭建一个简单的网络这里用LeNet5与tensorboardX相关的语句都标记了出来，主要是传个每轮的loss，参数model自带import torch.nn as nnimport numpy as npimport torch#定义lenet5class LeNet5(nn.Module): def __init__(self, num_clases=10):

图像增广import torchimport matplotlib.pyplot as pltfrom torch.utils.data import Dataset, DataLoaderimport torchvisionfrom PIL import Image# 获取图像img = Image.open(r'D:\pyPro\hhandwritten_web\static\images\bg.jpg')plt.imshow(img)<PIL.JpegImagePlugin

LENET卷积神经网络import torchimport torch.nn as nnimport torch.utils.data as Datafrom torchvision import datasets,transformsimport torchvisionfrom torch.autograd import Variableimport numpy# 加载数据和数据处理transform = transforms.Compose([transforms.ToTensor(

Pytorch中文文档中关于nn.Conv2d函数具体参数介绍：class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)Parameters：in_channels(int) – 输入信号的通道out_channels(int) – 卷积产生的通道kerner_size(int or tuple) - 卷积核的尺寸strid

import torchimport torch.utils.data as Dataimport torch.nn as nnfrom torchvision import datasets,transformsimport torchvisionfrom torch.autograd import Variableimport numpy as npimport matplotlib.pyplot as plt1.加载数据transform=transforms.Compose([t

import torchimport torch.utils.data as Datafrom torchvision import datasets,transformsimport torchvisionfrom torch.autograd import Variableimport numpy as npimport matplotlib.pyplot as plttorchvision的包的主要功能是实现数据的处理，导入和预览呢，所以如果需要对计算机视觉的相关问题 进行处理，就可

import torchimport torch.utils.data as Dataimport torch.nn as nnimport torch.optim as optimimport numpy as np'''nn是neural networks，定义了大量神经网络的层。核心数据结构是Module'''#整一个线性模型：y = w1*x1 + w2*x2 + b#1. 生成数据集num_inputs = 2 #输入参数的数量num_examples = 1000 #要.

1.好像不支持python3.8。直接从setting里面安装时不行的，按其它教程（https://blog.csdn.net/lyz21/article/details/104295042）从官网https://pytorch.org/get-started/locally/，拷贝链接用pip下载，一直报找不到版本。后来发现，python3.8的原因，改成python3.7可以了，但会一直连接超时。2.发现要下载的其实是这两个文件：点开下面的两个链接，用下载软件下载了，我下到了e盘，直接pip