不学无术的小镇做题家

最近在使用Pytorch训练时报错，出现了以下信息： Assertion `index >= -sizes[i] && index < sizes[i] && "index out of bounds device-side assert triggered 可以判断时数组下标越界导致的，但是由于把数据加载到cuda里面，导致报错信息并不能帮助我们准确地定位错误位置，这时候，只需要将*.cuda()或者.*to(device)去掉，将模型放在cpu训练，就能看

有三种方法： 使用列表的reverse方法 切片 reversed函数 使用列表的reverse方法 改变原有列表 [0, 1, 2, 3, 4] >>> arr.reverse() >>> arr [4, 3, 2, 1, 0] 切片 制作列表的副本 >>> arr[::-1] [4, 3, 2, 1, 0] >>> arr [0, 1, 2, 3, 4] reversed函数 生成迭代器 >>> arr [

内存的工作原理 计算机就像是很多抽屉的柜子，每个抽屉都有地址。 用户需要将数据存储到内存时，请求计算机提供存储空间，由计算机给用户提供一个存储地址。 数组 优点： 支持随机访问 内存效率高 缺点： 元素必须连续存储 需要预先申请存储空间 插入删除操作需要移动其他元素 链表 优点： 元素可以不连续存储 插入删除操作方便 不需要预先申请存储空间 缺点： 访问元素时，必须先访问前面所有元素，也就是仅支持顺序访问 内存效率较低 数组 链表 读取 O(1)O(1)O(1) O(n

抽取神经网络的中的几层：new_model = nn .Sequential(*list(model.children())[:2])

今天

参考：pytorch学习笔记（五）：保存和加载模型 #保存和加载模型参数 torch.save(model_object, 'model.pkl') model = torch.load('model.pkl') # 仅保存和加载模型参数(推荐使用) torch.save(model_object.state_dict(), 'params.pkl') model_object.load_sta...

读取数据 原文来自： import torch.utils.data as Data batch_size = 10 # 将训练数据的特征和标签组合 dataset = Data.TensorDataset(features, labels) # 随机读取小批量 data_iter = Data.DataLoader(dataset, batch_size, shuffle=True) 定义网...