Loss

二维可以想象成一张纸，三维可以想象成多张纸叠在一块四维可以想成多沓纸求和时，如果没设定keepdim=True,则会消去相加的那一维度，否则则将维度变为1。

【代码】自动求导，计算图示意图及pytorch实现。

定义数据import numpy as np # 定义特征和目标 X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]]) # 4 x 2 的矩阵，每一行表示一个数据点 y = np.array([[0], [1], [1], [0]]) # 4 x 1 的矩阵，每一行表示一个目标定义模型# 定义模型class MyNet(torch.nn.Module): def __init__(self): super

test.cfg 文件如下import cv2import numpy as npimport configparserdef get_config_from_cfg(folder_path): cp = configparser.ConfigParser() cp.read(folder_path) secs = cp.sections() print("secs:%s"%secs) print("secs[0] %s\n"%secs[0])

import torchimport torch.nn as nnloss_fn = nn.CrossEntropyLoss()# 方便理解，此处假设batch_size = 1x_input = torch.randn(2, 3) # 预测2个对象，每个对象分别属于三个类别分别的概率# 需要的GT格式为(2)的tensor,其中的值范围必须在0-2(0<value<C-1)之间。x_target = torch.tensor([0, 2]) # 这里给出两个对象所属的类别标签

device = torch.device('cuda:0') #net = MLP().to(device) #把网络模块搬运到GPU上optimizer = optim.SGD(net.paramters(), lr=learning_rate)criteon = nn.CrossEntropyLoss().to(devide) #把loss搬运到GPU上如果你有8张显卡，那么你可以写 cuda：0/1/2/3/4/5/6/7如果大哥真有的话建议大哥给我张用用...