Pytorch学习之路·5

最新推荐文章于 2026-01-05 20:12:12 发布
原创 最新推荐文章于 2026-01-05 20:12:12 发布 · 163 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#pytorch #深度学习 #python

博客提及了PyTorch中optimizer.param_groups的长度为1，涉及深度学习领域，使用Python语言进行相关操作。

optimizer.param_groups：长度为1

PyTorch深度学习实战（3）——使用PyTorch构建神经网络
盼小辉丶的博客
06-13 8万+
PyTorch 是一个用于构建深度神经网络的库，具有灵活性和可扩展性，可以轻松自定义模型。在本节中，我们将使用 PyTorch 库构建神经网络，利用张量对象操作和梯度值计算更新网络权重，并利用 Sequential 类简化网络构建过程，最后还介绍了如何使用 save、load 方法保存和加载模型，以节省模型训练时间。
pytorch与深度学习
数字人生
04-17 2280
PyTorch是一个由Facebook AI Research Team开发的开源深度学习库，它提供了一个灵活的环境和丰富的API，用于快速且方便地构建、训练和部署深度学习模型。综上所述，PyTorch 凭借其灵活的动态图机制、强大的张量运算与自动求导、丰富的深度学习模块以及活跃的社区支持，已成为深度学习研究与应用开发的首选工具之一。2. 优秀的社区和生态系统：有着活跃的社区和广泛的支持，PyTorch提供了大量的预训练模型和工具，这些模型和工具涵盖了图像识别、自然语言处理等多个领域。
PyTorch 深度学习入门
努力是为了站在万人之中，成为别人的光
06-14 2万+
深度学习是机器学习的一个分支，其中编写了模仿人脑功能的算法。深度学习中最常用的库是 Tensorflow 和 PyTorch。由于有各种可用的深度学习框架，人们可能想知道何时使用 PyTorch。以下是人们可能更喜欢将 Pytorch 用于特定任务的原因。Pytorch 是一个开源深度学习框架，带有 Python 和 C++ 接口。Pytorch 位于 torch 模块中。在 PyTorch 中，必须处理的数据以张量的形式输入。如果您的系统中安装了 Anaconda Python.........
PyTorch深度学习与计算机视觉实践
热门推荐
weixin_43178406的博客
07-30 8万+
本文主要介绍了PyTorch深度学习与计算机视觉实践，希望能对同学们有所帮助。 文章目录 1. 前言 2. 书籍推荐 2.1 内容简介 2.2 本书作者 2.3 本书目录 3. 购买链接
PyTorch 学习路线
gorgor在码农
03-08 1946
关键是多写代码、多调试、多阅读他人代码。掌握张量（Tensor）操作、自动微分（Autograd）、动态计算图。编写完整的训练代码：前向传播、损失计算、反向传播、优化器更新。学习如何创建和操作张量（类似 NumPy，但支持 GPU）。：熟悉 Python 语法（变量、函数、类、模块等）。：理解神经网络、损失函数、优化器（如梯度下降）等概念。：了解线性代数、微积分、概率论（深度学习的基础）。：用预训练模型（如 ResNet）进行图像分类。数学基础推荐书籍：《深度学习》（花书）前两章。
Pytorch学习
骊山道童的博客
03-05 2345
Pytorch学习 1.1 Pytorch简介： Pytorch是一个优秀的开源机器学习和深度学习算法框架，pytorch官方网址: https://pytorch.org/. 除此之外的开源框架还有TensorFlow、MXNet、CNTK、Keras等。Pytorch语法简洁、优美。个人感觉比起TensorFlow更容易上手。PyTorch 的奥秘，重点在于‘’张量‘’ 1.2 Pytorch的环境安装 1.3 Pytorch资料 pytorch中文文档 ： https://pytorch-cn.re
PyTorch深度学习实战（2）——PyTorch基础
盼小辉丶的博客
06-04 5万+
PyTorch 是广泛应用于机器学习领域中的强大开源框架，因其易用性和高效性备受青睐。在本节中，将介绍使用 PyTorch 构建神经网络的基础知识。首先了解 PyTorch 的核心数据类型——张量对象。然后，我们将深入研究用于张量对象的各种操作。PyTorch 提供了许多帮助构建神经网络的高级方法及组件，并提供了利用 GPU 更快地训练神经网络的张量对象。
PyTorch深度学习实战（22）——从零开始实现YOLO目标检测
盼小辉丶的博客
10-19 1万+
YOLO (You Only Look Once) 是一种实时目标检测算法，它以其高效性和准确性而闻名。相比于传统的目标检测方法，YOLO 的主要特点是在单个前向传递中同时完成目标检测和分类，YOLO 通过全局感受野捕捉了整个图像中的上下文信息，对小尺寸物体的检测效果较好。在本节中，将介绍 YOLO 的工作原理，然后在自定义数据集上训练 YOLO 目标检测模型。
pytorch学习之图片处理
qingqing2620的博客
02-01 3631
pytorch学习
pytorch深度学习实战
shuaiqidexiaojiejie的博客
06-24 3502
爱因斯坦求和是一种对求和公式简洁高效的记法，其原则是当变量下标重复出现时，即可省略繁琐的求和符号。比如求和公式： 其中变量 a 与变量 b 的下标是相同的（即重复出现），则可将其记为： einsum方法正是利用了爱因斯坦求和简介高效的表示方法，从而可以驾驭任何复杂的矩阵计算操作。基本的框架如下： 上述操作表示矩阵A与矩阵B的点积。输入的参数分为两部分，前面表示计算操作的字符串，后面是以逗号隔开的操作对象（数量需与前面对应）。其中在计算操作表示中，"->“左边是以逗号隔开的下标索引，重复出现的索引即是需要
PyTorch深度学习实战
08-29
本书系统讲解使用PyTorch构建深度神经网络的核心技术，涵盖卷积神经网络、循环神经网络、风格迁移与自然语言处理等关键主题。通过真实案例与动手实践，帮助读者掌握数据预处理、模型训练与优化的完整流程。适合具备...
d2l安装（miniforge+cuda+pytorch）
Mike_69的博客
01-05 177
现在cmd中查看一下cuda的最高版本，我的是最高12.8，所以下载的是cuda12.6。3）打开miniforge prompt,新建环境(name 换成自己环境名字)anaconda收费，专用miniforge。5) 安装jupyter notebook。1）下载miniforge,并安装。2）查看电脑cuda版本，并安装。然后把命令复制进去运行即可。6）更换kernel。
pytorch——神经网络框架的搭建以及网络的训练
qq_64131064的博客
12-26 444
本文总结了深度学习模型训练的完整流程：1）搭建网络骨架结构；2）下载预训练模型并迁移到自定义数据集；3）模型保存（完整模型或参数字典）与加载方法；4）标准训练流程包括数据准备、模型定义、损失函数和优化器设置；5）GPU加速训练的两种实现方式及注意事项；6）模型验证测试的完整代码示例，包含图像预处理、模型加载和推理过程；7）阅读他人代码的技巧，建议从train.py入手，重点关注参数设置和模型结构。文中提供了详细的代码片段和示意图，涵盖了从模型构建到部署应用的全流程关键技术点。
04基于pytorch的深度学习遥感地物分类全流程实战教程（包含遥感深度学习数据集制作与大图预测）-实践篇-使用自己的数据集进行深度学习遥感地物分类
lwbCUMT的博客
01-05 733
本文详细介绍了基于UNet模型的深度学习遥感地物分类全流程实践。首先阐述了数据预处理步骤，包括正射校正、矢量转栅格、数据集划分等关键操作。接着详细讲解了UNet模型的架构设计与实现，并提供了完整的模型训练、验证和测试代码框架。实验结果表明，该方法在测试集上取得了90.62%的准确率和0.375的mIoU。最后介绍了如何将训练好的模型应用于大尺寸遥感影像预测，通过分块处理解决显存限制问题。整个过程涵盖了从数据处理到模型应用的完整技术链，为遥感地物分类任务提供了实用解决方案。
pytorch自动微分机制探寻
m0_72678953的博客
01-04 191
现在准备下定决心系统性学习下torch，我发现torch可以自动求导，适用于给定散点x序列，在自行指定拟合目标y = 5x + 3的情况下，定义参数w、b，可以让torch使用自动反向传播 + 梯度更新。可以看到torch编写的代码非常优雅，定义一个优化器，指定学习率和参数，然后嗲用反向传播和参数自动更新，依赖广播机制就能替代之前一长串的循环和参数更新了。这是原先的代码，拟合目标是y = x （虽然现在看也不知道为什么当时随机的y轴会有b=1的偏差，但是结果应该是没问题的）
【NLP】Transformer在pytorch 的实现+情感分析案例+生成式任务案例
weixin_51589123的博客
01-04 797
定义PositionalEncoding类，用于为输入添加位置信息# 有transpose，代表默认输入数据形状为(seq_len, batch_size, d_model)# 如果输入结构为(batch_size, seq_len, d_model)，则不需要transposeelse:# 如果batch_first，则需要截断的是中间的维度# 且用于中间维度截断的维度是seq_lenelse:# 如果没有batch_first，需要截断的是第一个维度return x。
深度学习框架：PyTorch与MXNet性能解析与实战对比
最新发布
2301_79409088的博客
01-05 444
本文对比分析了PyTorch和MXNet两大深度学习框架的性能特点与应用场景。PyTorch以动态计算图和易用性著称，适合研究阶段的快速原型开发；MXNet凭借静态计算图和跨平台能力，在工业级推理任务中表现优异。通过环境搭建、模型构建和训练测试的实战对比，展示了二者在API设计、训练流程和性能表现上的差异。建议根据项目需求选择框架：PyTorch更适合科研探索，MXNet更适用于生产部署。文末推荐《动手学深度学习》作为入门教材。
【Pytorch使用】Sequential、ModuleList 与 ModuleDict 的设计与取舍
Rabbit_QL的博客
01-05 505
PyTorch提供了三种主要模块容器来组织神经网络结构：nn.Sequential、nn.ModuleList和nn.ModuleDict。nn.Sequential适用于固定顺序的线性结构，自动处理前向传播；nn.ModuleList仅存储模块顺序，需要手动定义forward逻辑，适合动态或复杂结构；nn.ModuleDict通过字典提供更灵活的模块访问。选择合适容器对编写清晰、可维护的模型代码至关重要：Sequential适合简单线性结构，而ModuleList和ModuleDict更适合需要动态控制或
【torch.compile】PyTorch FX IR 与 Inductor IR 融合策略深度剖析
jack.li的博客
01-05 399
PyTorch FX IR 与 Inductor IR 融合机制分析 摘要： 本文系统剖析PyTorch编译器的两层融合机制。第一层在FX Graph层面通过模式匹配实现算子级融合（如Conv+BN+ReLU），第二层在Inductor IR层面基于计算模式进行低层语义融合（连续Pointwise操作）。两种融合分别作用于不同抽象层级：FX层关注高层算子组合优化，IR层聚焦计算模式与内存带宽优化。通过死代码消除、模式匹配、贪心融合等策略，显著减少内存带宽消耗（实测降低67%）和Kernel启动开销（3次→1
深度学习框架Pytorch学习速成教程
Pytorch框架作为当今主流的深度学习框架之一，在学术研究和工业应用中都有着广泛的应用。本速成笔记依据b站小土堆的教程，结合实践操作，对Pytorch框架进行了系统性的梳理和记录，旨在帮助读者快速掌握Pytorch的核心...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值