[深度学习]Pytorch框架

原创 已于 2024-09-19 16:53:13 修改 · 1.2k 阅读 · 10 ·
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：

#深度学习 #人工智能

于 2024-09-18 21:05:17 首次发布

1 深度学习简介

  • 应用领域：语音交互、文本处理、计算机视觉、深度学习、人机交互、知识图谱、分析处理、问题求解

2 发展历史

  • 1956年人工智能元年
  • 2016年国内开始关注深度学习
  • 2017年出现Transformer框架
  • 2018年Bert和GPT出现
  • 2022年，chatGPT出现，进入AIGC发展阶段

3 PyTorch框架简介

  • 约等于numpy(ndarray数组)+sklearn
  • pytorch使用的数据类型为tensor(张量)
  • tensorflow--谷歌；pytorch--facebook
  • 昇思--华为

4 张量基础

4.1 张量基本创建方式

（1）tensor&Tensor

（2）创建线性、随机张量

（3）创建0-1张量

最低0.47元/天 解锁文章
Letmooning
关注
深度学习Pytorch框架搭建
weixin_46277925的博客
10-18 1542
深度学习Pytorch框架搭建
深度学习PyTorch框架环境配置
weixin_63935879的博客
03-29 1576
对于作为ai算法实习生的工作进行复盘总结。
深度学习（深度神经网络）Pytorch框架
weixin_72931638的博客
08-24 1255
Caffe（2015年）：贾扬清开发，早期主流框架，因缺乏持续更新逐渐被淘汰。TensorFlow（2017年）一版本代码冗长，后被Keras封装简化。二版本优化底层但不兼容一版本，目前仍广泛使用。PyTorch（2018年）Facebook开发，易用性高，支持动态计算图。近年使用率显著上升（约59%），成为大模型开发的主流框架。
深度学习pytorch框架--Unet医疗影像分割
Thewindking的博客
04-01 4337
基于Unet的医疗影像分割
【深度学习】（2）--PyTorch框架认识
m0_74896766的博客
09-17 6398
多维数组：张量可以看作是一个n维数组，其中n可以是任意正整数。它可以是标量（零维数组）、向量（一维数组）、矩阵（二维数组）或具有更高维度的数组。数据类型统一：张量中的元素具有相同的数据类型，这有助于在GPU上进行高效的并行计算。支持GPU加速：PyTorch中的张量可以存储在CPU或GPU上，通过将张量转移到GPU上，可以利用GPU的强大计算能力来加速深度学习模型的训练和推理过程。
深度学习框架---Pytorch概览
MzKyle的博客
04-28 1674
开源深度学习框架：由 Facebook（Meta）AI 实验室开发，基于 Lua 语言的 Torch 框架重构，2017 年正式开源，主打动态计算图和易用性。核心优势：灵活的动态图机制、Python 优先的开发体验、强大的 GPU 加速支持、丰富的生态系统。定位：兼顾科研快速迭代（动态图灵活性）与工业部署（TorchScript、ONNX 支持），是学术界和工业界的主流框架之一。
PyTorch深度学习框架（一）
m0_46598420的博客
10-25 1632
深度学习
【深度学习基础 2】 PyTorch 框架
yewanyuan的博客
03-26 3620
PyTorch 是由 Facebook 开发的开源深度学习框架，以动态计算图（Dynamic Computational Graph）著称，允许在运行时即时定义和修改模型结构，便于调试和研究。它支持 GPU 加速，并拥有丰富的生态系统，适用于自然语言处理、计算机视觉等众多领域。
pytorch深度学习框架基本介绍
2301_77539454的博客
07-22 5589
PyTorch是一个开源的机器学习库，广泛用于计算机视觉和自然语言处理等应用。它由Facebook的人工智能研究团队开发，并且得到了许多研究机构和企业的支持。PyTorch的核心是一个强大的张量计算包，类似于NumPy，但是它能够利用GPU进行加速计算。PyTorch的设计哲学是简洁和直观，它提供了动态计算图（Dynamic Computation Graph），也称为自动微分系统，这使得构建和修改复杂的神经网络变得更加容易。易用性：PyTorch的API设计简洁，易于上手。灵活性。
PyTorch深度学习——框架简介
just do it
04-02 2929
在静态图的计算中，构建前向的计算操作的同时也会构建一个反向传播的梯度计算，这样前向的计算图构建完毕伴随着反向计算图的构建完毕，有了损失函数之后，就可以从损失函数所在的张量的边开始逐渐沿着反向计算图获取对应的梯度与静态图的构建相比，动态图在构建前向计算图的时候则是给每个输出张量绑定一个反向传播的梯度计算函数，当计算图达到最终的损失函数的张量的时候，直接调用该张量对应的反向传播函数，并不大根据前向计算图进行递归的反向传播函数的调用，最后到达输入张量，即可求得每个权重张量对应的梯度张量。
基于深度学习Pytorch框架的文本分类项目源码（高分项目）
12-12
基于深度学习Pytorch框架的文本分类项目源码（高分项目）基于深度学习Pytorch框架的文本分类项目源码（高分项目）基于深度学习Pytorch框架的文本分类项目源码（高分项目）基于深度学习Pytorch框架的文本分类项目源码...
基于深度学习pytorch框架的单通道EEG睡眠分期项目Python源代码（高分项目）
01-08
基于深度学习pytorch框架的单通道EEG睡眠分期项目Python源代码（高分项目）基于深度学习pytorch框架的单通道EEG睡眠分期项目Python源代码（高分项目）基于深度学习pytorch框架的单通道EEG睡眠分期项目Python源代码...
精选资源
基于深度学习pytorch框架实现的单通道EEG睡眠分期项目Python源代码
01-08
基于深度学习pytorch框架实现的单通道EEG睡眠分期项目Python源代码基于深度学习pytorch框架实现的单通道EEG睡眠分期项目Python源代码基于深度学习pytorch框架实现的单通道EEG睡眠分期项目Python源代码基于深度学习...
精选资源
基于深度学习pytorch框架的单通道EEG睡眠分期项目Python源码.zip
09-25
基于深度学习pytorch框架的单通道EEG睡眠分期项目Python源码.zip基于深度学习pytorch框架的单通道EEG睡眠分期项目Python源码.zip 基于深度学习pytorch框架的单通道EEG睡眠分期项目Python源码.zip 基于深度学习...
Day44 简单 CNN 实战
W020419的博客
12-26 337
将卷积输出展平成向量，接 1~2 层全连接 + Dropout，输出 10 维 logits。：BatchNorm 稳定分布、Dropout 降低 co-adaptation。这些中间输出就是“特征图”，可借助 Grad-CAM 等方法做可视化解释。第 3 个卷积块：池化后得到 128×4×4，展平即 2048 维向量。第 1 个卷积块：保持尺寸，池化后得到 32×16×16；第 2 个卷积块：池化后得到 64×8×8；提取多尺度特征并逐步减小空间维度。
Day46
m0_70488789的博客
12-26 271
作业：手动构造类似的数据集（如cosx数据），观察不同的机器学习模型的差异。4. 经典机器学习在序列任务上的劣势；# DAY 46 序列预测任务介绍。b. 多步预测的2种方式。2. 序列数据的处理：滑动窗口。3. 多输入多输出任务的思路。
【深度学习新浪潮】本地文档总结引擎部署全攻略（二）：增量更新、自定义模板与实战汇报生成
最新发布
智能守恒_HengAI
12-31 114
基础系统的总结格式由固定，无法满足不同汇报场景（如周汇报、月汇报、项目总结）的需求。通过自定义Prompt模板，我们可以定义灵活的输出格式，支持模板变量（如文档名称、时间范围、汇报人）。在from llama_index . core . prompts import PromptTemplate from llama_index . core . query_engine import CustomQueryEngine # 定义常用汇报模板 REPORT_TEMPLATES = {
深度学习—卷积神经网络（2）
renjt01的博客
12-30 66
深度学习—卷积神经网络（2） 2.DNN与CNN的区别 3.卷积的数学定义 4.CNN的结构组成 卷积层 #人工智能#具身智能#VLA#大模型#AI#LLM#Transformer 架构#AI技术前沿#Agent大模型#工信部证书#人工智能证书#职业证书
毕业项目推荐：91-基于yolov8/yolov5/yolo11的井盖破损检测识别（Python+卷积神经网络）
weixin_71667732的博客
12-29 702
项目中所用到的算法模型和数据集等信息如下：算法模型：yolov8yolov8 + SE注意力机制或yolov5yolov5 + SE注意力机制或yolo11yolo11 + SE注意力机制数据集：网上下载的数据集，格式都已转好，可直接使用。以上是本套代码算法的简单说明，添加注意力机制是本套系统的创新点。全新SOTA模型YOLOv8 提供了全新的最先进（SOTA）的模型，包括P5 640和P6 1280分辨率的目标检测网络，同时还推出了基于YOLACT的实例分割模型。
深度学习pytorch框架相关知识
03-29
PyTorch是一个基于Python的开源机器学习框架，由Facebook的人工智能研究团队开发。它支持动态计算图，具有灵活性和易用性，是深度学习领域中最受欢迎的框架之一。 以下是深度学习PyTorch框架相关的知识点： 1. 张量(Tensor): PyTorch中的核心数据结构，类似于Numpy中的数组，用于存储和操作多维数组。张量可以在CPU和GPU上进行计算，支持自动求导和梯度下降等功能。 2. 自动求导(Autograd): PyTorch中的自动求导功能可以自动计算变量的导数，使得神经网络的训练过程更加方便和高效。 3. 神经网络模块(nn.Module): PyTorch中的神经网络模块是一个抽象的概念，可以定义一个神经网络层、激活函数、损失函数等，方便构建复杂的神经网络模型。 4. 模型训练(Training): 在PyTorch中，模型训练通常包括以下步骤：定义模型、定义损失函数、定义优化器、循环迭代数据集、计算损失、反向传播、更新模型参数。 5. 模型评估(Evaluation): 在PyTorch中，模型评估通常包括以下步骤：加载模型、设置模型为评估模式、循环迭代数据集、计算模型输出、计算评估指标。 6. PyTorch视觉库(torchvision): PyTorch视觉库提供了许多常用的计算机视觉任务的数据集、模型和预处理函数，方便用户快速构建视觉模型。 7. PyTorch分布式训练(Distributed Training): PyTorch支持分布式训练，可以将模型和数据分配到多个计算节点上进行训练，提高训练效率和扩展性。 8. PyTorch部署(Deployment): PyTorch支持将训练好的模型导出为ONNX格式，可以在不同的平台上进行部署，如移动设备、嵌入式设备、Web应用等。 以上是深度学习PyTorch框架相关的知识点，掌握这些知识可以帮助用户更好地使用PyTorch构建和训练深度学习模型。
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