irober的博客

pytorch安装

conda更新问题

python torch-geometric的安装

解决在使用torch-geometric构建图神经网络出现module ‘torch.nn.parameter’ has no attribute 'UninitializedParameter’错误的一种简单办法。

关于Vscode中jupyter出现kernel dead问题针对我遇到的这个问题，我使用的方法。进入Anaconda Prompt，输入jupyter kernelspec list查看安装的内核和位置发现在我安装的虚拟环境tf2.1中并没有ipykernel进入虚拟环境：activate tf2.1输入conda install ipykernel安装ipykernel即可经过上述操作，我的程序可以在VScode中成功运行。...

基于torch1.8.1 训练模型时，出现如下warning，记录解决方法。UserWarning: nn.init.kaiming_normal is now deprecated in favor of nn.init.kaiming_normal_.解决：出现警告的原因，是torch版本的更新导致之前的参数不再使用。然而警告并不影响代码运行，所以可以不管。但是，为了输出不再出现警告，可加入忽视warning的代码：import warningswarnings.filterwarnings

pytorch 代码调试中出现以下报错。报错：RuntimeError: An attempt has been made to start a new process before the current process has finished its bootstrapping phase. This probably means that you are not using fork to start your child pro

Windows10+Quadro M2000+CUDA_9.2.148+cudnn7.2.1.38+tensorflow_gpu-1.10.0-cp36-cp36m-win_amd64.whl安装一、GPU新驱动安装二、Anaconda3下载与安装三、CUDA的下载安装四、CUDNN7.2的下载安装五、Tesorflow下载一、GPU新驱动安装1、查看自己电脑的显卡信息，可以使用工具CPU-Z检测。下图为本机的显卡信息：进入NVIDIA驱动下载进行符合条件的下载安装。直接安装并取代之前的显卡版本。

使用torch.load()加载模型参数时，提示“xxx.pt is a zip archive(did you mean to use torch.jit.load()?)“一、服务器上训练的参数在个人电脑上预测在服务器上训练好的参数load到个人电脑上预测时，出现错误。根据博客1，和博客2了解到：xxx.pth来自pytorch1.6或更高的版本。1.6之后pytorch默认使用zip文件格式来保存权重文件，导致这些权重文件无法直接被1.5及以下的pytorch加载。Windows上torch

最近学习 pytorch，将其损失函数大致使用场景做了一下汇总，多参考网上大家的文章，或直接引用，文后附有原文链接，如有不对，欢迎指正一、L1LossL1 Loss，它有几个别称：L1 范数损失最小绝对值偏差（LAD）最小绝对值误差（LAE）最常看到的 MAE 也是指L1 Loss损失函数它是把目标值 g 与模型输出(估计值) y 做绝对值得到的误差 。什么时候用？回归任务简单的模型由于神经网络通常是解决复杂问题，所以很少使用。二、MSELoss也就是L2 Lo...

torch.mul() 、 torch.mm() 及torch.matmul()的区别一、简介torch.mul(a, b) 是矩阵a和b对应位相乘，a和b的维度必须相等，比如a的维度是(1, 2)，b的维度是(1, 2)，返回的仍是(1, 2)的矩阵；torch.mm(a, b) 是矩阵a和b矩阵相乘，比如a的维度是(1, 2)，b的维度是(2, 3)，返回的就是(1, 3)的矩阵。torch.bmm() 强制规定维度和大小相同torch.matmul() 没有强制规定维度和大小，可以用利用广

《动手学深度学习Pytorch版》之DenseNet代码理解一、模块介绍1、卷积块conv_block2、稠密块DenseBlock3、过渡块transition_block二、DENSNET模型1、DenseNet首先使用同ResNet⼀样的单卷积层和最大池化层2、 DenseNet使用4个稠密块3、同ResNet⼀样，最后接上全局池化层和全连接层来输出稠密块由多个 conv_block 组成，每块使⽤相同的输出通道数。但在前向计算时，我们将每块的输⼊和输出在通道维上连结。一、模块介绍1、卷积块co

《动手学深度学习Pytorch版》之批量归一化对深层神经⽹络来说，即使输⼊数据已做标准化，训练中模型参数的更新依然很容易造成靠近输出层输出的剧烈变化。在模型训练时，批量归⼀化利⽤⼩批量上的均值和标准差，不断调整神经⽹络中间输出，从⽽使整个神经⽹络在各层的中间输出的数值更稳定。一、预备知识1、分为三类对全连接层做批量归一化数据输入(二维)：（batch_size,n_feature）数据输出(二维)：（batch_size,n_feature）计算均值和方差mean = X.mea

《动手学深度学习Pytorch版》之GoogLeNetGoogLeNet中的基础卷积块叫作Inception块class Inception(nn.Module): # c1 - c4为每条线路里的层的输出通道数 def __init__(self, in_c, c1, c2, c3, c4): super(Inception, self).__init__() # 线路1，单1 x 1卷积层 self.p1_1 = nn.Conv2d(

未完待续。。。。。GPU操作二、模型保存读取操作1、访问模块模型参数model.parameters()一个从参数名称隐射到参数Tesnor的字典对象state_dict举例1import torchfrom torch import nnnet = MLP() #这里我省略了MLP()的定义，详见《动手学习深度学习Pytorch》对应章节net.state_dict()输出1class MLP(nn.Module):...OrderedDict([('hidden.

《动手学深度学习Pytorch版》https://github.com/ShusenTang/Dive-into-DL-PyTorch为了查看预测结果，在原Demo上加了预测显示代码。注意：图像尺寸由原先的28×2828\times2828×28变为224×224224\times224224×224，因此显示函数需要做变动。由于使用了GPU，所以预测数据也要做相应的转换。预测程序如下：# d2l.show_fashion_mnist??import matplotlib.pyplot a

IndexError: invalid index of a 0-dim tensor. Use tensor.item() to convert a 0-dim tensor to a Python一、IndexError: invalid index of a 0-dim tensor. Use tensor.item() to convert a 0-dim tensor to a Python number是你的torch版本的不同造成的。解决：将loss.data[0] 改成loss.ite

这篇文章关于pytorch中的tensor、autograd、反向传播和计算图的讲解浅显易懂，适合新手学习。【深度学习理论】一文搞透pytorch中的tensor、autograd、反向传播和计算图