Joseph__Lagrange的博客

Conv2d()Ctrl + B 进入到torch.nn.Conv2d()，可以发现Conv2d()是一个类，如下class Conv2d(_ConvNd): def __init__(self, in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='z

什么是模型模型是神经网络训练优化后得到的成果，包含了神经网络骨架及学习得到的参数。模型处理包括哪些操作网络模型库、模型的生成、预训练模型的加载和模型保存网络模型库torchvision.modelstorchvision.models库提供了众多经典的网络结构与预训练模型，例如VGG、ResNet和Inception等，利用这些模型可以快速搭建物体检测网络，不需要逐层手动实现。torchvision包与PyTorch相独立，需要通过pip指令进行安装，如下：pip install torch

nn.Module类nn.Module是PyTorch提供的神经网络类，并在类中实现了网络各层的定义及前向计算与反向传播机制。在实际使用时，如果想要实现某个神经网络，只需继承nn.Module，在初始化中定义模型结构与参数，在函数forward()中编写网络前向过程即可。...

概述这样看待业务问题一堆图片通过一个黑匣子（一堆代码）就可以找到图片中所关注的目标一堆图片和黑匣子就是研究重点一堆图片这里的一堆图片是指在计算机存放的RGB图片，不是现实中相册里的一张old photo黑匣子黑匣子可以说是一个py文件代码，py文件对应计算机的操作集合数据类型、数据处理、模型结构（网络模型库）、损失函数、优化器、训练、相应环节数据类型：所用操作基础数据处理：训练模型的数据模型结构：最终要得到的黑匣子损失函数：衡量模型好坏的指标优化器：修正模型参数的方向训练：

基本数据Tensor可以保证完成前向传播，想要完成神经网络的训练，接下来还需要进行反向传播与梯度更新，而PyTorch提供了自动求导机制autograd，将前向传播的计算记录成计算图，自动完成求导。在PyTorch 0.4版本之前，Tensor仅仅是对多维数组的抽象，使用自动求导机制需要将Tensor封装成torch.autograd.Variable类型，才能构建计算图。PyTorch 0.4版本之后，将Tensor与Variable进行了整合，以前Variable的使用情景都可以直接使用Tensor

Tensor的常用属性和方法属性requires_grad： 查看该tensor是否需要求导grad_fn：查看该tensor经历了什么样的操作方法requires_grad_()：将tensor变为需要求导cuda(): 将tensor迁移到GPU显存中# 查看tensor的属性和方法代码如下：import torchten1 = torch.FloatTensor(2)func_attrs = dir(ten1)tmp = []for idx, func_attr in e

pytorch制作数据集不像TensorFlow那么复杂，只需要交单的把数据集加载进来，继承Dataset类和dataloader类继承Dataset类在使用时只需要继承该类，并重写__len__()和__getitem()__函数，即可以方便地进行数据集的迭代。from torch.utils.data import Datasetclass my_data(Dataset): def __init__(self, image_path, annotation_path, transfo

pytorch指定GPU训练下面代码主要实现： 如何将tensor放入指定GPU上计算、如何将py文件放入指定GPU上执行import osimport torchfrom torchvision import modelsa = torch.randn(3, 3)b = models.vgg16()# 1.判断是否有GPU资源print("是否有GPU：", torch.cuda.is_available())print("GPU设备数量: ", torch.cuda.device_

PyTorch入门学习-基本数据TensorTensor数据类型Tensor的创建与维度查看Tensor的组合与分块Tensor的索引与变形Tensor的排序与取极值Tensor的自动广播机制与向量化Tensor的内存共享Tensor, 即张量，是PyTorch中的基本操作对象，可以看做是包含单一数据类型元素的多维矩阵。从使用角度来看，Tensor与NumPy的ndarrays非常类似，相互之间也可以自由转换，只不过Tensor支持GPU的加速。Tensor数据类型Tensor在使用时可以有不同的数据

1.pytorch指定GPU训练# 代码1：torch.cuda.set_device(1)# 代码2：device = torch.device("cuda:1")# 代码3：（官方推荐使用）os.environ["CUDA_VISIBLE_DEVICES"] = '1'（如果你想同时调用两块GPU的话）os.environ["CUDA_VISIBLE_DEVICES"] = '1,2'...

pytorch入门-基础1.torch tensor与numpy array转换2.torch中的数学运算3.torch中的变量(variable)variable定义variable计算、梯度variable转tensor转numpy4.激活函数(Activation Function)1.torch tensor与numpy array转换np_data = np.arange(6).reshape((2, 3))torch_data = torch.from_numpy(np_data)ten