nn

最新推荐文章于 2024-12-28 14:36:11 发布
原创 最新推荐文章于 2024-12-28 14:36:11 发布 · 242 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。

倢[赦暟?Mo绸]箆)?觜s(?}`?骲逯擕罾!s⑵1Y胓胞沭螈艷Y%Di尽P淈6?氥2%€a斀{曪`^'l珄ZA矞?噴-?噛< 珗waZ.S牰`邬?慆p!w8 儁或邚就<嬩?逜$庾?.(通Z!宝_馍葉囐胷#

fenglanooo
关注
Pytorch中 nn.Transformer的使用详解与Transformer的黑盒讲解
iioSnail的博客
07-28 9万+
1. Transformer的训练过程讲解 2. Transformer的推理过程讲解 3. Transformer的入参和出参讲解 4. nn.Transformer的各个参数讲解 5. nn.Transformer的mask机制详解 6. 实战：使用nn.Transformer训练一个copy任务。
常用torch.nn
m0_37737957的博客
05-23 1593
常用基础pytorch知识
Pytorch nn.Linear的基本用法与原理详解
iioSnail的博客
02-06 13万+
nn.Linear的基本用法 nn.Linear定义一个神经网络的线性层，方法签名如下： torch.nn.Linear(in_features, # 输入的神经元个数 out_features, # 输出神经元个数 bias=True # 是否包含偏置 ) Linear其实就是执行了一个转换函数，即： y=xAT+b y = xA^T + b y=xAT+b 其中ATA^TAT是模型要学习的参数，b是偏置 from torch impor
pytorch教程之nn.Module类详解——使用Module类来自定义模型
热门推荐
MIss-Y的博客
05-30 16万+
前言：pytorch中对于一般的序列模型，直接使用torch.nn.Sequential类及可以实现，这点类似于keras，但是更多的时候面对复杂的模型，比如：多输入多输出、多分支模型、跨层连接模型、带有自定义层的模型等，就需要自己来定义一个模型了。本文将详细说明如何让使用Mudule类来自定义一个模型。 一、torch.nn.Module类概述 个人理解，pytorch不...
【激活函数】nn.ReLU | nn.Sigmoid | nn.Softplus | nn.Tanh
wq6qeg88的博客
12-28 1824
激活函数公式输出范围优点缺点适用场景ReLU[0,+∞)计算简单，防止梯度消失，适用于深层网络死神经元问题（Dying ReLU）卷积神经网络，MLPSigmoid(0,1)输出概率，适用于二分类任务梯度消失问题，输出非零中心，训练较慢二分类任务，逻辑回归Softplus(0,+∞)平滑的 ReLU，避免死神经元问题计算较复杂，训练可能稍慢替代 ReLUTanh(−1,1)零中心，比 Sigmoid 更适合深层网络梯度消失问题循环神经网络，回归任务。
PyTorch之nn.Module、nn.Sequential、nn.ModuleList使用详解
酒酿小圆子呀～
06-30 5795
nn.functional 中的函数没有可学习的参数，与nn.Module 中的层不同。其实这两种方法都是使用relu激活，只是使用的场景不一样，F.relu()是函数调用，一般使用在foreward函数里。在上述示例中，我们首先导入nn.functional 模块，然后在网络的forward 方法中使用F.relu 函数作为激活函数。的主要优势是它的计算效率和灵活性，因为它允许你以函数的方式直接调用这些操作，而不需要创建额外的层。是PyTorch中一个重要的模块，它包含了许多用于构建神经网络的函数。
nn.Sequential()
Just_do_myself的博客
04-15 6万+
nn.Sequential() nn.Sequential()介绍 一个序列容器，用于搭建神经网络的模块被按照被传入构造器的顺序添加到nn.Sequential()容器中。除此之外，一个包含神经网络模块的OrderedDict也可以被传入nn.Sequential()容器中。利用nn.Sequential()搭建好模型架构，模型前向传播时调用forward()方法，模型接收的输入首先被传入nn.Sequential()包含的第一个网络模块中。然后，第一个网络模块的输出传入第二个网络模块作为输入，按照顺序依次
[Pytorch系列-30]：神经网络基础 - torch.nn库五大基本功能：nn.Parameter、nn.Linear、nn.functioinal、nn.Module、nn.Sequentia
文火冰糖（王文兵）的博客
10-05 4万+
作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_优快云博客 本文网址： 前言 深度学习模型框架 [人工智能-深度学习-8]：神经网络基础 - 机器学习、深度学习模型、模型训练_文火冰糖（王文兵）的博客-优快云博客_神经网络与深度学习第1章 白话机器学习[人工智能-综述-4]：白话深度学习-- 无基础小白都能理解机器学习的核心概念_文火冰糖（王文兵）的博客-优快云博客[人工智能-深度学习-7]：神经网络基础 - 人工神经网络ANN_文火冰糖（王文兵）的博客-CSD
PyTorch 的 torch.nn 模块学习
pumpkin84514的博客
06-01 2142
torch.nn是 PyTorch 中专门用于构建和训练神经网络的模块。
pytorch中nn.Sequential详解
十年以上架构设计经验，专注于软件架构和人工智能领域，对机器视觉、NLP、音视频等领域都有涉猎
12-19 1万+
nn.Sequential是一个序列容器，用于搭建神经网络的模块被按照被传入构造器的顺序添加到容器中。除此之外，一个包含神经网络模块的OrderedDict也可以被传入nn.Sequential()容器中。利用nn.Sequential()搭建好模型架构，模型前向传播时调用forward()方法，模型接收的输入首先被传入nn.Sequential()包含的第一个网络模块中。然后，第一个网络模块的输出传入第二个网络模块作为输入，按照顺序依次计算并传播，直到nn.Sequential()里的最后一个模块输出结果
对Pytorch中nn.ModuleList 和 nn.Sequential详解
09-18
在PyTorch中，`nn.ModuleList`和`nn.Sequential`是两种用于构建神经网络结构的重要工具。它们都是`nn.Module`的子类，但它们的功能和使用方式有所不同。 首先，`nn.Sequential`是一个序列化的模块集合，它允许你...
基于NN最近邻优化算法的TSP问题求解matlab仿真
02-17
3.仿真效果：仿真效果可以参考博客同名文章《基于NN最近邻优化算法的TSP问题求解matlab仿真》 4.内容：基于NN最近邻优化算法的TSP问题求解matlab仿真。最近邻算法（Nearest Neighbor, NN）是一种简单且直观的贪婪...
精选资源
Linuxtiny-cuda-nn直接安装
11-19
根据配套的文章命令，就可以轻松的在自己电脑上（服务器linux上）安装成功tiny-cuda-nn啦！！git不下来？没关系，我下载好啦！安装总是报错？没关系，我下载的这个是全套完整的！！跟着安装命令步骤来，准没错！芜湖...
细数nn.BCELoss与nn.CrossEntropyLoss的区别
12-20
`nn.BCELoss` 和 `nn.CrossEntropyLoss` 都是PyTorch库中常见的损失函数，它们主要用于分类问题，但各自有着不同的应用场景和计算方式。这篇文章将详细探讨这两者之间的差异。 首先，`nn.BCELoss`，即二元交叉熵...
VMware虚拟机随机硬件配置生成器v1.0 B版.rar
最新发布
01-03
免责声明：该资源仅供学习和研究传播，大家请在下载后24小时内删除，一切关于该资源商业行为和违法行为与博主无关。 请勿将该软件程序进行商业交易、转载、违法运营 等行为，该软件只为研究、学习所提供，该软件程序使用后发生的一切问题与本站和博主无关。 若本程序源码侵犯了您的权益，请及时联系我们予以删除！ 本程序仅供研究学习使用,切勿商用以及违法使用!!! 附： 根据2013年1月30日《计算机软件保护条例》新规定：第十七条 为了学习和研究软件内含的设计思想和原理，通过安装、显示、传输或者存储软件等方式使用软件的，可以不经软件著作权人许可，不向其支付报酬。 鉴于此，希望大家按此说明学习以及研究程序软件! 切勿商用,切勿违法使用!!!否则后果自行承担! (http://www.gov.cn/zhengce/2020-12/26/content_5574414.htm) ********************************************************************************
单向双向V2G 环境下分布式电源与电动汽车充电站联合配置方法（Matlab代码实现）
01-03
单向双向V2G 环境下分布式电源与电动汽车充电站联合配置方法（Matlab代码实现）内容概要：本文介绍了在单向和双向V2G（Vehicle-to-Grid）环境下，分布式电源与电动汽车充电站的联合配置方法，并提供了基于Matlab的代码实现。研究涵盖电力系统优化、可再生能源接入、电动汽车充放电调度、储能配置及微电网经济调度等多个关键技术领域，重点探讨了在不同电价机制和需求响应策略下，如何通过智能优化算法实现充电站与分布式电源的协同规划与运行优化。文中还展示了多种应用场景，如有序充电调度、鲁棒优化模型、多目标优化算法（如NSGA-II、粒子群算法）在电力系统中的实际应用，体现了较强的工程实践价值和技术综合性。; 适合人群：具备电力系统、新能源、智能优化算法等相关背景的科研人员、研究生及从事能源系统规划与优化的工程技术人员；熟悉Matlab/Simulink仿真工具者更佳。; 使用场景及目标：①用于科研项目中关于电动汽车与分布式电源协同配置的模型构建与仿真验证；②支持毕业论文、期刊投稿中的案例分析与算法对比；③指导实际电力系统中充电站布局与能源调度的优化设计。; 阅读建议：建议结合文中提供的Matlab代码与具体案例进行同步实践，重点关注优化模型的数学建模过程与算法实现细节，同时可参考文末网盘资源获取完整代码与数据集以提升学习效率。
Naoki326_RadonTransform_14244_1767245194484.zip
01-03
Naoki326_RadonTransform_14244_1767245194484.zip
matlab查看fig代码-Pore.py:毛Kong
01-03
下载前必看：https://pan.quark.cn/s/ec23a3d01c4b Matlab中查看fig文件的原始代码引用来源为：Gostick J，Khan Z A，Tranter T G，Kok M D R，Agnaou M，Sadeghi M A以及Jervis R发表的《PoreSpy：用于多孔介质图像定量分析的Python工具包》。 该文献发表于开源软件杂志，时间为2019年。 PoreSpy是什么？ PoreSpy是一系列图像分析工具的集合，其设计目的是从多孔材料的3D图像中提取相关信息（这些图像通常通过X射线断层扫描技术获取）。 尽管存在许多提供通用图像分析功能的软件包（例如，在Python环境中可用的Skimage和Scipy.NDimage，以及ImageJ和MatLab的图像处理工具箱），但所有这些软件包在处理针对多孔介质的特定任务时，都需要用户构建复杂的脚本或宏。 PoreSpy的宗旨是为所有常见的多孔介质测量提供一套预先构建好的工具集。 PoreSpy在很大程度上依赖于两个常规的图像分析软件包，它们也被称为skimage。 前者包含了多种基础图像分析工具，如图像形态过滤器，而后者则提供了更为复杂但仍是常规功能，比如分水岭分割。 PoreSpy并不会重复任何这些常规功能，因此，为了能够最大化地利用PoreSpy，用户还必须安装并学习如何运用这些依赖的软件包。
电动车超级棒基于蒙特卡洛模拟法的电动汽车充电负荷研究（Matlab代码实现）
01-03
【电动车】【超级棒】基于蒙特卡洛模拟法的电动汽车充电负荷研究（Matlab代码实现）内容概要：本文围绕基于蒙特卡洛模拟法的电动汽车充电负荷研究展开，利用Matlab代码实现对不同类型电动汽车（如常规充电、快速充电、换电模式）在不同场景下的充电负荷进行建模与仿真。通过蒙特卡洛方法模拟大量电动汽车的充电行为，结合用户出行规律、充电时间、电量需求等随机因素，分析电动汽车规模化接入电网后对电力系统负荷的影响，并探讨分时电价策略对充电负荷的引导作用，进而优化电网运行。研究涵盖充电负荷的空间分布特性、时间分布特征及对电网峰谷差的影响，旨在为电力系统规划和电动汽车有序充电管理提供理论支持和技术工具。; 适合人群：具备一定电力系统、交通工程或新能源汽车背景的研究生、科研人员及从事智能电网、电动汽车相关领域的工程技术人员。; 使用场景及目标：①用于研究大规模电动汽车接入对配电网负荷曲线的影响；②支撑分时电价、需求响应等政策制定与优化；③为充电站规划、电网调度、储能配置等提供数据支持和仿真平台；④适用于学术研究、课题复现及工程项目前期分析。; 阅读建议：建议读者结合文中提供的Matlab代码进行实践操作，重点关注蒙特卡洛模拟的参数设置、充电行为的概率建模过程，并尝试调整输入变量以观察负荷变化趋势，加深对电动汽车充电负荷不确定性和聚合效应的理解。
DynamAI NN
06-05
### DynamAI NN 的概述 DynamAI NN 是黑芝麻智能自主研发的核心算法 IP 之一，专注于高性能深度神经网络计算引擎[^3]。它旨在为自动驾驶场景提供高效的神经网络推理能力，并支持多种常见的机器学习和深度学习框架。...
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