hhhhxxn的博客

一、导包import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom sklearn.metrics import accuracy_score,confusion_matrix,classification_reportimport seaborn as snsimport copyimport timeimport torchimport torch.nn as nnfrom torch.optim

一、导包import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom sklearn.metrics import accuracy_score,confusion_matrix,classification_reportimport seaborn as snsimport copyimport timeimport torchimport torch.nn as nnfrom torch.optim

可以利用trochtext库中的相关函数对文本数据进行数据预处理import torchimport torch.utils.data as Datafrom torchvision.datasets import FashionMNISTimport torchvision.transforms as transformsfrom torchvision.datasets import ImageFolderfrom torchtext import data##定义文本切分方法，使用空格

torchvision中的datasets模块包含多种常用的分类数据集下载及导入函数，可以很方便地导入数据以及验证所建立的模型效果。torchvision中的transforms模块可以针对每张图像进行预处理操作。torchvision的datasets模块中包含有ImageFolder()函数，该函数可以读取文件夹中的图片数据以下代码以实际的数据集为例，结合torchvision中的相关模块的使用，展示图像数据的预处理操作。一种是从torchvision中的datasets模块中导入数据并预处理.

在PyTorch中torch.utils.data模块包含着一些常用的数据预处理的操作，主要用于数据的读取、切分、准备等。常用的函数类如表所示：使用这些类能够对高维数组、图像等各种类型的数据进行预处理，以便深度学习模型的使用。针对文本数据的处理可以使用torchtext库进行相关的数据准备操作。...

常用的激活函数：以下使用PyTorch中的激活函数可视化以上几种激活函数的图像：代码如下：import torchimport torch.nn as nnimport numpy as npimport matplotlib.pyplot as pltfrom PIL import Image ##PIL包读取图像数据x = torch.linspace(-6,6,100)## sigmoid激活函数sigmoid = nn.Sigmoid()ysigmoid = sigm

以上一篇中的图像卷积后的结果为例，对其进行最大值池化、平均值池化与自适应平均值池化import torchimport torch.nn as nnimport numpy as npimport matplotlib.pyplot as pltfrom PIL import Image ##PIL包读取图像数据##读取图像 转化为灰度图像 转化为numpy数组myim = Image.open("../input/images/lena.jpg")myimgray = np.array

针对一张图像，经过二维卷积后的输出会是什么样的呢？下边使用一张图像展示经过卷积后，输出的特征映射的结果##导包import torchimport torch.nn as nnimport numpy as npimport matplotlib.pyplot as pltfrom PIL import Image ##PIL包读取图像数据##读取图像 转化为灰度图像 转化为numpy数组myim = Image.open("../input/images/lena.jpg")myi

在torch中的torch.autograd模块，提供了实现任意标量值函数自动求导的类和函数。针对一个张量只需要设置参数requires_grad=True，通过相关计算即可输出其在传播过程中的梯度(导数)信息。代码示例：import torchx = torch.tensor([[1.0,2.0],[3.0,4.0]],requires_grad = True)y = torch.sum(x**2+2*x+1)print("x.requires_grad:",x.requires_grad)p

一、比较大小torch.allclose()函数，比较两个元素是否接近，比较A和B是否接近的公式为|A-B| <= atol+rtol*|B|import torchA = torch.tensor([10.0])B = torch.tensor([10.1])print(torch.allclose(A,B,rtol=1e-05,atol=1e-08,equal_nan =False))print(torch.allclose(A,B,rtol=0.1,atol=0.01,equal

一、改变张量的形状改变张量的形状在深度学习的使用过程中会经常遇到，而且针对不同的情况对张量形状尺寸的改变有多种函数和方法可以使用tensor.reshape()方法import torchA = torch.arange(12.0).reshape(3,4)A# tensor([[ 0., 1., 2., 3.],# [ 4., 5., 6., 7.],# [ 8., 9., 10., 11.]])torch.reshape()方法impo

一、torch.tensor()函数生成张量：A = torch.tensor([1.0,1.0],[2,2])A#tensor([1.,1.],# [2.,2.])查看张量的一些属性：A.shape() #张量的维度#torch.Size([2,2])A.size() #张量的形状#torch.Size([2,2])A.numel() #张量中元素的数量#4在使用torch.tensor()函数时，可以使用参数dtype来指定张量的数据类型，使用参数require

定义：在数学中，如果一个数组的维度超过2，那么我们可以称该数组为张量。但是在PyTorch中，张量属于一种数据结构，它可以是一个标量、一个向量、一个矩阵，甚至是更高维度的数组。因此PyTorch中的张量（Tenser）和Numpy中的数组（ndarray）非常相似，在使用时也会经常将二者相互转化。在深度网络中，基于PyTorch的相关计算和优化都是在Tenser的基础上完成的。一、张量的数据类型在torch中CPU和GPU张量分别有8种数据类型...