如何高效入门 PyTorch ?

【PyTorch实战:入门】1、PyTorch高效入门指南 PyTorch作为深度学习领域的"灵活编程利器",凭借动态计算图和Python原生语法,成为学术界和工业界的首选工具。其五大核心优势包括:1)命令式编程风格降低学习门槛;2)动态计算图支持实时调试和灵活定制;3)成熟生态覆盖计算机视觉、自然语言处理等全领域;4)学术界主流框架,加速科研创新;5)工业级稳定性实现从实验到生产的无缝迁移。与其他框架相比,PyTorch在灵活性、易用性和生态完备性方面表现突出,成为AI研究者和开发者的首选工具。 阅读详情

王树义

读完需要

15

分钟

速读仅需5分钟

PyTorch 入门,坑着实不少。咱们来谈谈,如何选个合适的教程,避开它们。

1

   

选择

好几位读者,都留言问我:

王老师,我想学深度学习,到底是该学 Tensorflow ,还是 PyTorch?

没有水晶球,我也不知道谁会最终胜出。

从现状来看,PyTorch 的发展势头非常迅猛。在深度学习的顶会上,相关论文增速大幅超越 Tensorflow 。

Javaid Nabi 总结了一张最近两年 arxiv 机器学习论文中提及 PyTorch 的折线图,增长趋势一目了然。

在机器学习顶会 NeurIPS 2019 上,PyTorch 更是被单独拿出来讨论。

底下的听众,是这样的。

而另一边,Google 的 Tensorflow 2.X 版本,在 Reddit 上正被吐槽和围观。

如果你是个应用机器学习前沿技术的研究者,却还对 PyTorch 的存在熟视无睹,恐怕不是一个明智的选择。

你该依赖的,是深度学习研发领域的生态系统。具体的原理,我在《学 Python ,能提升你的竞争力吗?》和《数据科学入门后,该做什么?》两篇文章里,已经给你详细阐释过了。

简单来说,别人都用来沟通和协作的东西,你一窍不通,那就没法愉快参与协作了。深度嵌入到系统的协作能力,才是你赢得竞争的秘密武器。

例如,有人把 Google 的 BERT 从 Tensorflow 迁移到 PyTorch 后,就迅速开拓了一个评价高达 18.4K 颗星的项目。该项目受到学术界、工业界,乃至整个儿开发圈子的热情追捧。

为什么?

因为在 PyTorch 模型的基础上进行修改,非常方便,一切都是那么自然和透明。这吸引了许多研究者参与进来,一步一个脚印,利用别人做出来的东西,更进一步攀爬。

如果你做研究用到机器学习,需要站在前人的肩膀上,那 PyTorch 已经成为了你爬上别人肩膀的重要阶梯。

可当你信心满满,开始认真学习 PyTorch 时,多半会……

掉在前方的陷坑里。

想想看,为什么网上为初学者展示深度学习“多么简单”的文章,举的例子除了 Keras 就是 fast.ai ,而不是 PyTorch ?

因为 PyTorch 学起来,确实没有它们那样简便。

2

   

障碍

你要学习 PyTorch ,会遇到哪些问题?

太多了。

篇幅所限,咱们只讲其中最大的两个坑。

首先是面向对象(Object-Oriented Programming, OOP)。

PyTorch 的代码,当然也可以写成 Keras 那种序列化形式。

然而对于大部分的 PyTorch 用户的应用场景来说,写成那样,是没有什么意义的。

因为他们中的主体,是研究者。研究者不会满足于现有结果或者重复已知模型。他们要搭建自己的模型结构,尝试做自己的实验。

如果你要深度定制自己的模型架构,甚至对于一些细节作出精妙的修改(例如对不同模型层次,使用不同学习速率),那 PyTorch 写出来,就会像是这个样子。

看到 class 这样的陌生关键词,你可能会觉得有些发懵——用 Python 有段时间了,没见过这玩意儿啊。

Python 说简单很简单,因为它可以被当成脚本语言来使用。也就是用顺序、循环和判断组织起来,类似英文的操作说明。

然而,说复杂,它也可以变得非常复杂。因为它完全可以被当成面向对象语言来用。

许多标题里带着“入门”字样的 PyTorch 教材或者课程,往往会直接假设你已经掌握了面向对象编程的基础知识,一带而过。或者干脆告诉你,先去学习一下 OOP ,然后再回来继续学。

于是,你打开一本讲授面向对象编程的书,旋即被其中的“抽象”、“继承”、“封装”、“多态”等术语绕晕,轻松完成“从入门到放弃”。

其实,你根本用不着完全掌握 面向对象程序设计的各种要素,就可以学 PyTorch 。早有 William Falcon 等人把 PyTorch 的程序写法大卸八块,给了你模板。真正用的时候,你只需对着模板填空就好。

可是,一些必要的面向对象知识,还是得学。不然填空你都不知道该填的位置,容易张冠李戴。

说完了“面向对象”,咱们再说第二个坑,也就是“张量”(Tensor)。

PyTorch 让许多研究者用户大呼过瘾的奥秘,其实就在于“张量”。

因为高阶 API,例如 Keras, 甚至是 fast.ai ,都对张量进行了重度包裹。

用户不需要理解什么是张量,也可以做图片分类,也可以分析文本的情感。

但是,PyTorch 不想惯你这种毛病。

想用它来搭建神经网络?你就必须直面张量。

你必须能够说清楚每一层输入和输出张量的样子。你必须知道怎么把你的原始数据,转换成这种样子。

这种负担,看似会惹恼或者吓走用户。然而我们看问题不能只看一面。它的好处在于,代码书写规则,一下子变得简洁和一致。

因为你早已一杆子到底,知道在 PyTorch 深度学习模型构建中,最本质的操作究竟是什么。你不需要别人每次都为你提供高层 API 包裹的拐棍。

你可以随时知道怎么完成各种操作。例如怎样修改设置细节。遇到意想不到的问题,也能了解如何高效查错。

可是要理解张量,并不像 Pandas 数据框那么简单而直观。

你会看到不少 PyTorch 的书籍和教程,都干脆指引你去学会 numpy 。然后告诉你,PyTorch 可以近似看成 numpy 的一个轻量包裹。作者其实,是在寄希望于你能自学好一大块知识结构,并且还可以触类旁通。

你怎么通?

从头学 numpy ?还是更进一步,把线性代数也学一遍?

这样做,听起来没有问题。打牢基础是好事儿嘛。但是,你可能真的等不及。

你可能是想要复现一篇论文里的结果,并且进行调整改进。

等你耐下性子,东一榔头西一棒子,学完了刚才说过的好几门基础课,别人的论文早就发出来了。

大多数时候,科学界只奖励先到者。第二名不会有任何的功劳(credit)。

况且,如果能这样学完,你至少还掌握了一项技能。

更大的可能,是你在自学相关知识体系的途中跌倒了,再也没有爬起来。

3

   

痛点

为什么 PyTorch 初学者,会遭遇这些困境?

因为现有的教程,大多与你不匹配。

甚至就连 PyTorch 的预期用户,也和你不匹配。

PyTorch 的设计,显然不是为了完全不懂编程的普通用户。按照作者原先的预想,只有学过了线性代数、科学计算、数据结构和面向对象程序设计的专业人士,才是它的核心用户群体。

然而,深度学习的突破进展,像一个黑洞,吸引力异常强大。它把许多从来没有学过编程的人,都裹挟了进来。

在机器学习日新月异的进展下,太多领域存在着低垂的果实。只要你学会了应用现有深度学习工具,稍加改进就可以采摘到它们。

这种诱惑,你能抵挡吗?

对这个突然冒出来的人群,现有的教材和教程,很难做出足够快速和必要的调整。所以你学起来,会很吃力。

那么,作为一个非计算机类专业出身的研究者,你需要什么样的教程呢?

它应该至少有以下两个特点:

  • 一站式

  • 样例导向

所谓一站式,就是别只顾给出链接和线索,让读者东奔西走,甚至还得自己寻找相关的学习资源。遇到某个知识点,例如面向对象,或者张量,试图从头到尾完整学习体系知识,显然效率不高。做深度学习需要用到的,就该认真掰开揉碎讲清楚;暂时用不到的,就根本先不要提,免得让学习者被一下子涌来的信息淹没掉。

所谓样例导向,就是能有实际的例子,让学习者跟着作者讲解的进程,轻松上手操作实践。有些知识点,只要上手了,练过,犯过错,你立即就能明白其中的关窍。你从而迅速掌握,并且建立宝贵的成就感。反之,如果只是给你凭空灌输一系列的概念,或许能让你听着好像懂得了。可真正要用的时候,你立即就会感受到什么叫“书到用时方恨少”。

满足上述两个必要条件的合适教程,有吗?

4

   

教程

不好找。

要满足上述两点,教程的编写者就需要长期的技能培养和打磨。技能不仅包括对于 PyTorch 本身的深入理解和掌握,还得充分理解初学者的需求,知道如何把握讲授的进度和节奏。

这还不够。作者还得寻找合适的样例,用形象化的方式表述抽象概念,甚至是用动态的效果展示张量操作与权重变化……这些,都需要耗费大量宝贵的时间。

大部分机器学习领域的教材和教程,在编写的时候,都有严格的时间进度限制。这个领域,一直是高强度竞争性。大家生怕自己的东西发布晚了,别人抢占先机,所以很难有足够的耐心。东西做到60分,能有一定合适的阅读学习群体,那还不赶紧发布?等什么?

另外,拥有这种技能的作者,往往机会成本非常高。能够全心全意投入教学,而不选择拿着自己高超的深度学习应用技能出去赚快钱,也非易事。

我最开始学 PyTorch 时,尝试了若干主流 MOOC 平台,还见识了不少网红教师的教程。可惜,不仅学得效率低,过程也很痛苦。

后来,我终于找到一套视频课程,真的可以满足上述两点要求。

譬如说,它将张量和面向对象知识的介绍,包含在了课程里面。作者用浅明易懂的例子,让你了解必要概念和技能后,迅速上手。

为了让你能够做一个图像分类深度学习模型,作者真的精心设计,帮你把它拆分成若干前后联系紧密的模块,一一娓娓道来。

视频中使用了不少特效和动画。例如帮助你理解一张图片如何转化成张量,如何经由你自行构造的模型加以转化,最终支持机器判断类别,以及如何计算损失,迭代改进,让你的分类模型越变越聪明。

甚至,对于为什么 GPU 可以加速深度学习,都有专门的章节,给你娓娓道来。

每一个视频,大约都是10分钟-20分钟的长度。足够慢慢谈透一个知识点,也不会让你觉得疲倦。

大部分视频,都结合代码来介绍。你可以打开 Google Colab 或者 Kaggle Notebook ,利用免费的 GPU ,尝试自己建构和运行。

视频末尾,还总是有一些有趣的彩蛋。为了不剥夺你的乐趣,就不剧透了,你自己看。

为了保证视频的品质,这套教程精细打磨。从2018年秋天开始发布第一个视频起,一直持续更新了一年多的时间,才算全部制作完毕。

我学的时候,看教程是很愉快的。但是等候更新如同追剧,总是让人觉得时间过得太慢,很难熬。

好消息是,你现在不用等了。因为该教程所有的篇章都已齐备。你只需学就好了。

羡慕你。

在我的公众号“玉树芝兰”后台,回复“pytorch”,我会发给你全套视频教程的链接。

5

   

小结

这篇文章里,咱们谈到了以下知识点,我帮你梳理一下。

  • PyTorch 在科研领域作用日益重要,你如果做深度学习科研,恐怕是不得不学习它;

  • PyTorch 包含了一些面向对象、张量操作等前导知识要求,初学者会有不小的学习障碍。所以选择好的教程很重要;

  • 在良莠不齐的 PyTorch 教程中,我把自己已发现的最精良一个视频教程推荐给你。希望它也能帮你快速上手 PyTorch,助你早日做出自己的优秀研究成果。论文发表了,别忘请我喝杯咖啡。

祝深度学习愉快!

感觉有用的话,请点“在看”,并且把它转发给你身边有需要的朋友。

赞赏就是力量。

如何高效入门 PyTorch ?深度学习框架是PyTorch还是TensorFlow? PyTorch 入门,着实入了不少坑。咱们来谈谈,如何选个合适的教程,避开它们。 选择 好几位读者,都留言问我: 王老师,我想学深度学习,到底是该学 Tensorflow ,还是 PyTorch? 没有水晶球,我也不知道谁会最终胜出。 从现状来看,PyTorch 的发展势头非常迅猛。在深度学习的顶会上,相关论文增速大幅超越 Tensorflow 。 Javaid Nabi 总结了一张最近两年 arxiv 机器学习论文中提及 PyTorch 的折线图,增长趋势一目了然。 在机器学习顶会 阅读详情

相关推荐

PyTorch从入门到实战:核心概念与高效学习路径

深度学习框架PyTorch以其动态计算图和易用性成为研究与实践的主流选择。其核心Tensor数据结构支持GPU加速与自动微分,通过计算图机制实现反向传播。在工程实践中,PyTorch的模块化设计(如nn.Module)和丰富的工具链(如TorchScript)显著提升开发效率。针对计算机视觉和时序预测等典型场景,合理运用数据增强、分布式训练和混合精度等技术可优化模型性能。本文基于CUDA环境配置、Tensor操作、模型定义范式等基础概念,深入解析自动微分原理和训练循环优化技巧,特别涵盖LSTM时序预测等实战

weixin_30299709的博客 390

如何高效入门Github?

如今的编程,早已不是单打独斗的模式了。优秀的编程人员,甚至是初学者,都必须学会如何与他人高效协作。Github是编程协作中须要掌握的基础知识。如何尽快入门,少走弯路呢?希望读过本文,你能获得一些帮助。(由于微信公众号外部链接的限制,文中的部分链接可能无法正确打开。如有需要,请点击文末的“阅读原文”按钮,访问可以正常显示外链的版本。)疑惑前几天,有同学在知识星球留言,询问我如何学习Github的使用

玉树芝兰 888

Deeplizard高效入门pytorch视频教程笔记

9节 4种方法生成tensor Tensor是constructor,使用默认dtype不能指定,其他都是工厂函数可以从input中inference dtype Share Data Copy Data torch.as_tensor() torch.tensor() torch.from_numpy() torch.Tensor() as_tensor()可以接收任何类似于array的input,所以比from_numpy()适用性更广 12节 reduction operati

weixin_44127535的博客 544

【python】10分钟教你用python如何正确把妹

前言 今天没妹子约,刚好研究一下。如何用神奇的python打造一个把妹神器吧。看完这个,你们就能走向人生巅峰,迎娶白富美啦。 我知道你们想看看效果 image 当然啦,这只是测试版的效果,真正的版本可比这个厉害多啦。不过作为一个直男,另一个男的给小编发这个测试感觉还是有点怪怪的哈。 文:吉柏言 暑假来了,各位又不得不和男女朋友暂时分开2个月了!!长达两个月的时间里不能相见,你可知我多想...

infinitor的博客 738

LM1875官方电路图元件作用解释说明以及电路调校

R1是为C1提供充放电回路用的电阻,这是老外工作严谨的地方,其实接好电位器之后直流通路就已经存在了,这个加上只能防止最恶劣情况时也能把C1的电能放掉,尽管只有一点点 C1是输入电容,主要作用是隔离前后级的直流信号,但是这个电容对音质的影响很大,可以换用不同的品牌和容量来部分修改音质和音色 R2提供LM1875正输入端的直流电平控制点,接地就表示在理想情况下Lm1875的输出直流电平是0V;还有一个作用就是确定放大器的交流输入阻抗为电阻值。 R3、R4是反馈电阻,这个电路的放大倍数为R4/R3+1=21倍。.

m0_50862404的博客 1万+

Xilinx VDMA实战:从配置到调试的完整指南

本文详细解析了Xilinx VDMA的核心原理与架构,提供了从配置到调试的完整实战指南。通过双通道独立架构、时钟域管理和寄存器配置等关键技巧,帮助开发者高效实现视频流处理。特别针对常见调试问题和性能优化方案进行深入探讨,适用于各类视频处理应用场景。

weixin_30642561的博客 176

实战 | 手把手教你用PyTorch实现图像描述(附完整代码)

作者 | 李理环信人工智能研发中心 VP,十多年自然语言处理和人工智能研发经验。主持研发过多款智能硬件的问答和对话系统,负责环信中文语义分析开放平台和环信智能机器人的设计...

优快云 人工智能 1万+

傅里叶红外(FT-IR):Origin数据处理、光谱绘图、曲线优化、图形美化

双击 X 轴,选择“轴线和刻度线”,设置粗细为“2”(较常用的粗细度),主刻度和次刻度为“朝内”,然后在此对话框内选择左轴,设置粗细为“2”,主刻度和次刻度为“无”,上轴和右轴同左轴。(4)在第二个图层基础上新建第三个图层,针对第二组数据重复上述中(1)和(2)的操作,再添加第三组数据的折线图,并重复上述中(3)的操作。FTIR 光谱上的峰只有相对的强弱,因此只分析一个光谱上的一个峰的强度大小并无意义,一般分析两个光谱在同一位置的峰强相对大小,或者分析同一光谱不同位置的峰强相对大小并与另一光谱进行比较。

qiushireader的博客 3940

00_开篇词-如何高效入门PyTorch

00_开篇词-如何高效入门PyTorch

感谢所有乐于奉献的人,在此不一一具名 961

Cisco Packet Tracer 7.3免登录技巧:3种方法快速跳过注册界面(附详细截图)

本文针对Cisco Packet Tracer 7.3启动时遇到的登录界面问题,提供了三种合法高效的解决方案。详细介绍了如何利用官方访客模式快速启动、注册思科账号实现一劳永逸登录,以及通过调整本地安装配置优化启动流程,帮助网络学习者与备考者绕过繁琐步骤,快速进入实验环境。

weixin_29305337的博客 745

人工智能发展史(从起步到磅礴)以及浪潮阶段

随机森林是将多个有差异的弱学习器(决策树)Bagging并行组合,通过建立多个的拟合较好且有差异模型去组合决策,以优化泛化性能的一种集成学习方法。从论文里可以了解到,GPT-1具有1.17个参数,采用了12层的Transformer 解码器结构,使用5GB的无标注文本数据,在8个GPU上训练了一个月,然后再进行人工监督的微调。训练相结合的理念(该方法在当时计算力上还是有很多挑战,基本上都是和链式求导的梯度算法相关的),这也解决了单层感知器不能做非线性分类的问题,开启了神经网络新一轮的高潮。

xiao77224li的博客 7507

《Pytorch神经网络高效入门教程》笔记

之前也写过pytorch入门教程的笔记,不过好久不自己动手写都有点忘了,这次这个教程讲了挺多官方教程没讲的东西,还是值得记一下 1、GPU初探 (1)将张量转移到GPU上: *.cuda() eg. t = t.cuda() (2)GPU只适合特定任务,比如能分解成多个小任务并行计算的 另外将计算转移到GPU也有不小的开销,所以简单的任务直接用CPU完成就好了 2、Tensor初探 tensor的三个属性: t.dtype:数据类型 t.device:设备(gpu/cpu) t.layout:默认为str

lt1103725556的博客 586

战舰V3移植CANopenNode并驱动电机全流程

第三部分是电机的对象字典(也就是节点的OD)中的索引,长度2个字节。索引发送的是小段模式,比如这一部分为0X40 0X60,实际操作的索引地址为0X6040。第一部分是COB-ID,长度1个字节,电机的node-ID默认为0x01,所以报文ID一直是601。第五部分是要写入的数据,数据发送的时候是小端模式,低字节数据先发送,长度由第二部分决定。配置定时器6,时间为1ms,根据公式计算得到参数PSC取72-1,ARR取1000-1。第二部分是CMD,长度1个字节,其实就是数据部分的长度,

qq_50526837的博客 3051

开篇词 | 如何高效入门PyTorch?

你好,我是方远,欢迎你跟我一起学习PyTorch。先做个自我介绍吧!我曾先后供职于百度和腾讯两家公司,任职高级算法研究员,目前在一家国际知名互联网公司Line China担任数据科学家,从事计算机视觉与自然语言处理相关的研发工作,每天为千万级别的流量提供深度学习服务。想一想,我进入机器学习与深度学习的研究和应用领域已经有10年的时间了,这是个很有意思的过程。在人工智能快速发展的背景下,各种各样的深...

优快云学习 365

提交 ieee 手稿出现:Do not include the Reviewer PDF with my submission 怎么办

IEEE投稿Reviewer PDF选项说明 投稿时出现的"Do not include the Reviewer PDF with my submission"选项控制是否附带评审专用PDF文件。Reviewer PDF是系统自动生成包含所有投稿材料的完整PDF,用于同行评审。建议保持默认不勾选状态,除非确认编辑部不需要该文件,否则可能影响审稿流程。勾选表示不附带此PDF,不勾选则会正常生成并提交该评审文件。

ZhangJiqun&191cm&85kg 2227

SPI 总线信号完整性与时序一致性测试

SPI总线测试的核心目标是验证其电气与时序行为是否满足芯片规格要求,确保通信可靠性

硬核科技 332

PyTorch张量操作入门从基础到高效编程实践

熟练掌握PyTorch张量操作是从深度学习入门迈向高效编程的基石。从基础的创建和运算,到复杂的维度操作和内存优化,每一步都关系到最终代码的性能和可读性。在实际项目中,建议结合自动求导机制(Autograd),将张量操作嵌入到神经网络的定义和训练循环中。通过不断地实践,例如实现自定义的神经网络层或复杂的损失函数,开发者能够更加深刻地理解张量操作的威力,从而构建出更加强大和高效的深度学习模型。

soso1029934378的博客 348

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

从入门到精通:DL on Flink PyTorch Estimator高效开发指南

DL on Flink是一个将Flink与深度学习框架(如PyTorch、TensorFlow等)集成的强大工具,旨在实现在Flink集群上进行分布式深度学习训练和推理。本指南将带你全面掌握PyTorch Estimator的开发流程,从环境搭建到模型部署,让你快速上手并高效开发分布式深度学习应用。 ## 一、DL on Flink核心架构解析 🧠 DL on Flink采用分层架构设计,完

gitblog_00286的博客 1074

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

PyTorch数据选取与索引详解:从入门到高效实践

在PyTorch中,从现有张量(Tensor)中高效、准确地选取所需的数据子集是日常操作的核心。无论是准备数据批次、提取模型输出的特定部分,还是根据条件过滤数据,都离不开强大的索引机制。基础索引与切片是最直观、最常用的数据选取方式,其语法与Python的NumPy和列表非常相似。是一个非常强大的函数,常用于根据索引从源张量中“收集”数据。通过传入一个包含索引值的张量,可以一次性地从目标张量中选取多个、非连续的元素。(布尔张量)作为索引。此函数将输入张量视为一个一维张量,然后根据提供的索引选取元素。

星辰火之梦 1203

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

PyTorch入门实战资源集:助你高效掌握深度学习利器

PyTorch入门实战资源集:助你高效掌握深度学习利器 【下载地址】PyTorch入门实战资源集 这是一套专为深度学习爱好者打造的PyTorch入门与实战资源集,涵盖从环境搭建到实战应用的全流程。无论你是初学者还是进阶者,都能通过详细的代码和PPT课件快速掌握PyTorch的核心操作与经典网络结构,如RNN、LSTM和G...

gitblog_06793的博客 937

使用PyTorch构建高效深度学习模型从入门到实践

当我们需要构建复杂网络结构时,继承nn.Module类是更优的选择。自定义模型类需要实现两个核心方法:__init__方法和forward方法。在__init__方法中,我们定义网络的所有层和组件;在forward方法中,我们指定数据如何通过这些层进行前向传播。这种设计模式使得模型结构清晰明了,同时也便于模型的保存、加载和复用。此外,PyTorch还提供了ModuleList和ModuleDict等容器,帮助管理复杂的子模块结构。PyTorch作为一个强大而灵活的深度学习框架,为研究和应用提供了坚实的基础。

fxd2006的博客 585

PyTorch深度学习从入门到高效实践的完整指南

训练循环中,首先将数据输入模型得到预测输出,然后使用损失函数(如交叉熵损失nn.CrossEntropyLoss)计算预测与真实标签的误差,接着通过`loss.backward()`执行反向传播计算梯度,最后使用优化器(如SGD或Adam)更新模型参数。通过`torch.tensor()`可以直接从Python列表创建张量,而`torch.zeros()`、`torch.ones()`等函数可以快速创建特定形状的张量。官方文档是首选的学习资源,提供了完整的API参考和教程。

a1037的博客 347
上一篇: 你可能并不知道这样定制炫酷的jupyter主题
下一篇: 《AI 算法工程师手册》:从数学基础到统计学习一网打尽(图文并茂)!
Wang_AI
博客等级 码龄12年 997粉丝 162原创
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
 
 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