- 博客(6)
- 收藏
- 关注
RSS订阅
原创 Pytorch怎么同时让两个dataloader打乱的顺序是相同
思路：将两个数据集按照对应顺序写成一个数据集，然后再用dataloader取出 代码： from torch.utils.data import Dataset from torch.utils.data import DataLoader `class MyDataset_v1(Dataset): def init(self): self.data = [1, 2, 3, 4] def __len__(self): return len(self.data) def __getitem__(se
2021-01-27 13:20:18
2452
原创 DeepLearning-深度学习中特征融合方式
这里写自定义目录标题 从多源信息融合谈起，其主要是数据层、特征层和决策层，数据层融合计算开销大，但是不损失信息，另外两类都是在数据分析之后，损失了部分信息，但是操作性较高。在深度学习任务中，海量的结构化数据使得从数据层融合比较困难，另外，很多网络的connection（ResNet, DenseNet， Transformer等）设计也融合了单源信息的多尺度特征。基于这两点，深度学习任务（CV，NLP为代表）主要在深度特征信息层进行融合。 主要分类： Point-wise addition / Eleme
2021-02-01 23:04:03
6329
原创 Pytorch-F函数(torch.nn.functional)和nn(torch.nn)的区别
torch.nn函数的实现去调用torch.nn.functional，实现方式是一致的。它们的区别是： nn函数可以写在深度学习模型的初始化中，F函数不可以，因为其需要输入实际的input 例如nn.ReLu和F.relu
2021-01-30 00:57:06
3839
1
原创 Pytorch-巧用nn.Sequential包装你的深度学习结构
思路：自定义简单的tensor，将设计的深度学习的层包装到nn.Sequential中 代码： import torch from torch import optim, nn import torch.nn.functional as F x = torch.Tensor([1, 2, 3, 4, 5]).reshape(1, 1, 5) padding_layer = torch.nn.ReflectionPad1d net1 = nn.Sequential( padding_layer((1
2021-01-29 15:27:45
426
原创 Python-map+lamda使你的效率翻倍
思路：map函数使一个或者多个序列经过lamda函数映射成新的序列 代码; y = list(map(lambda x: pow(x, 2), range(5))) print(y) 运行结果： [0, 1, 4, 9, 16]
2021-01-28 16:42:18
387
原创 Pytorch-怎么让两个dataloader打乱顺序相同，自定义一个sampler
思路：自定义一个sampler，将采样方式传进不同的dataloader，则取出的数据一致 代码： import torch from torch import nn from torch.utils.data import Dataset from torch.utils.data import DataLoader class MyDataset_v1(Dataset): def __init__(self): self.data = [1, 2, 3, 4] de
2021-01-27 14:43:45
1471
4
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人