zkq_1986的博客

permute将tensor的维度进行转换。举例：import torchimport numpy as npa=np.array([[[1,2,3],[4,5,6]]])b=torch.tensor(a)print(b)print(b.size()) # ——> torch.Size([1, 2, 3])c=b.permute(2,0,1)print(c.size()) # ——> torch.Size([3, 1, 2])print(c)c = ...

lstm里，多层之间传递的是输出ht ，同一层内传递的细胞状态（即隐层状态）看pytorch官网对应的参数nn.lstm(*args，**kwargs)，默认传参就是官网文档的列出的列表传过去。对于后面有默认值（官网在参数解释第一句就有if啥的，一般传参就要带赋值号了。）官网案例对应的就是前三个。input_size，hidden_size，num_layersParmerters:input_size– The number of expected features in the i.

torch.cuda.is_available()cuda是否可用；torch.cuda.device_count()返回gpu数量；torch.cuda.get_device_name(0)返回gpu名字，设备索引默认从0开始；torch.cuda.current_device()返回当前设备索引；

最近遇到一个问题，发下gpu训练的模型在cpu下不能跑，很难受。结果发现原来是自己使用了DataParallel的问题，我保存的是整个模型。model=DataParalle(model)torch.save(‘xx.pkl’,model)然后把模型copy到自己电脑上用cpu跑model=torch.load(‘xx.pkl’)#此处报错了。。。。原因是cpu环境不能直接导入gpu训练的DataParallel模型所以换个策略,现在gpu把模型转化掉model =

在pytorch中，torch.nn.Module模块中的state_dict变量存放训练过程中需要学习的权重和偏执系数，state_dict作为python的字典对象将每一层的参数映射成tensor张量。import torch.nn as nnclass A(nn.Module): def __init__(self): super(A,self).__init...