【跟学记录day1】PyTorch深度学习入门

最新推荐文章于 2025-12-26 22:25:18 发布
原创 最新推荐文章于 2025-12-26 22:25:18 发布 · 408 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #pytorch

博主在安装PyTorch过程中，最初跟随视频教程选择了不匹配GPU的CUDA 9.2版本，导致torch.cuda.is_available()返回false。为解决此问题，博主创建了新conda环境，按照官方指南安装了与1050Ti GPU兼容的CUDA 11.7版本，并成功验证了PyTorch安装。

原视频来源：b站 PyTorch深度学习快速入门教程-by我是土堆

P1部分

按照视频教程安装了python3.6的anaconda3-5.2.0

我的电脑GPU型号为1050Ti，cmd中输入nvidia-smi查出来应该安装11.7版本的cuda，

踩坑：想着和视频环境一致方便学习，于是跟着视频（下图）打了同样的代码，安装了9.2版本的cuda。

 最后安装pytorch成功了，验证的时候torch.cuda.is_available()为false。

所以，我重新建立了一个新的conda环境，根据官网代码选择了11.7版本的cuda，安装pytorch验证成功。

至此，安装pytorch结束。 

 

 

oops_ou
关注
Day 4-2: PyTorch基础入门 - 从NumPy到深度学习的桥梁
weixin_44903776的博客
07-31 341
PyTorch基础入门摘要(150字)： PyTorch是Facebook开发的深度学习框架，将NumPy数组计算扩展到GPU并支持自动微分。核心功能包括：1)张量运算支持GPU加速计算；2)自动微分机制自动计算梯度；3)动态计算图便于调试。基础操作涵盖：创建张量(torch.tensor)、矩阵运算(torch.mm)、GPU加速(.cuda())等。典型应用场景包括神经网络训练、科学计算和并行矩阵运算。PyTorch通过Autograd实现自动求导，只需设置requires_grad=True即可跟踪梯
【进阶篇】全流程学习《20天掌握Pytorch实战》纪实 | Day01 | 结构化数据建模流程范例
车手只需要车和手，压力来自轮胎
04-06 3539
从今天开始不定期学习《20天掌握Pytorch实战》，有兴趣就跟着专栏一起吧~
BERT参数计算，RBT3模型结构
weixin_64017116的博客
07-21 1676
Bert沿用了惯用的全连接层大小设置，即4 * dmodle = 3072，其中用到了两个参数W1，W2，其中W1（768,3072），W2（3072,768），b1（768，1），b2（3072，1）。的模型由多层双向的Transformer编码器组成，由12层组成，768隐藏单元，12个head，总参数量110M，约1.15亿参数量。解释：m为输入的单词的数量，768位每个词的维度，64是因为分成了12个head（768/12）。：词汇量的大小为30522，每个词都是768维，共30522*768。
NLP预训练模型综述：解码BERT-3的新篇章
一个默默无闻的小白
05-16 385
在自然语言处理（NLP）领域，预训练模型无疑已经成为推动技术革新和应用拓展的关键力量。近年来，以BERT（Bidirectional Encoder Representations from Transformers）为代表的预训练模型彻底改变了我们理解和生成文本的方式。本文将深入探讨一个假想的预训练模型，它代表了在原BERT模型基础上经过多次迭代和优化后的新一代技术。
Bert（三）
brandday的博客
10-15 725
3 BERT 在本节中，我们将介绍BERT及其详细实现。 我们的框架有两个步骤：预训练和微调。 在预训练期间，通过不同的预训练任务对未标记的数据进行模型训练。 为了进行微调，首先使用预训练的参数初始化BERT模型，然后使用来自下游任务的标记数据对所有参数进行微调。每个下游任务都有单独的微调模型，即使它们已使用相同的预训练参数初始化。 图1中的问答系统示例将作为本节的运行示例。 BERT的一个显着...
从Attention到Bert——3 BERT解读
weiyaner的博客
03-28 2292
文章目录Bert介绍Bert模型结构1 与GPT，ELMO结构对比2 Bert的输入3 Bert的输出Bert两大预训练任务MLM, NSP1 CV的预训练任务2 Masked language model, MLM 掩码语言模型3 Next sentence predict，NSP，上下文预测模型Bert四大下游任务Finetune1 分类2 序列标注总结1 优点2 缺点 Bert介绍 BERT的全称是Bidirectional Encoder Representation from Transform
深度学习Day-38：Pytorch文本分类入门
m0_51359915的博客
11-01 1156
self.embedding = nn.EmbeddingBag(vocab_size, # 词典大小embed_dim, # 嵌入的维度这里定义TextClassificationModel模型，首先对文本进行嵌入，然后对句子嵌入之后的结果进行均值聚合。self.embedding.weight.data.uniform_(-initrange, initrange)这段代码是在 PyTorch 框架下用于初始化神经网络的词嵌入层（embedding layer）权重的一种方法。
Pytorch入门学习
Barbara‘s Blog
07-11 1352
Pytorch 基本概念 张量（Tensor） PyTorch 张量(Tensor)，张量是PyTorch最基本的操作对象，英文名称为Tensor，它表示的是一个多维的矩阵。比如零维是一个点，一维就是向量，二维就是一般的矩阵，多维就相当于一个多维的数组，这和numpy是对应的，而且 Pytorch 的 Tensor 可以和 numpy 的ndarray相互转换，唯一不同的是Pytorch可以在GPU上运行，而numpy的 ndarray 只能在CPU上运行。 常用的不同数据类型的 Tensor 如下: 3
每天五分钟，跟学pytorch_day1
2501_92511385的博客
07-07 625
在 PyTorch 中，定义一个神经网络需要继承nn.Module类，并实现forward方法。# 定义卷积层和全连接层（来自编程狮示例）self.conv1 = nn.Conv2d(1, 6, 5) # 输入通道数1，输出通道数6，卷积核大小5self.conv2 = nn.Conv2d(6, 16, 5) # 输入通道数6，输出通道数16，卷积核大小5self.fc1 = nn.Linear(16 * 5 * 5, 120) # 全连接层，输入大小16*5*5，输出大小120。
深度学习入门Day1：从零搭建环境与基础概念全解析
m0_71614333的博客
07-29 507
在我初学机器学习那会儿，当逐步推导支持向量机（SVM）时，就被它那巧妙的最大间隔超平面设计深深吸引。尤其是了解到SVM引入核函数来解决非线性问题，特别是高斯核能将原始数据映射到无穷维空间时，我愈发惊叹于其中数学逻辑的优美与精妙。在人工智能蓬勃发展的今天，深度学习已成为推动技术进步的核心引擎。从AlphaGo战胜人类围棋冠军，到ChatGPT掀起生成式AI革命，深度学习技术正在重塑我们的生活方式。作为一名技术爱好者，掌握深度学习不仅能够提升个人竞争力，更能参与到这场技术变革中来。
深度学习Day-27：生成对抗网络（GAN）入门
m0_51359915的博客
07-30 1247
import os## 创建文件夹os.makedirs("./images/", exist_ok=True) ## 记录训练过程的图片效果os.makedirs("./save/", exist_ok=True) ## 训练完成时模型保存的位置os.makedirs("./datasets/mnist", exist_ok=True) ## 下载数据集存放的位置## 超参数配置b1 = 0.5b2 = 0.999n_cpu = 2。
BERT详解(3)---源码解读[预训练模型]
orangerfun的博客
03-02 6514
2. 预训练模型 bert模型的预训练过程包含两个任务: 下一句预测(Next Sentence Prediction) 遮蔽词预测 主程序在run_pretraining.py中, 进入run_pretraining.py主函数main(_)中，首先看model_fn_builder函数, 该函数中主要有以下几部分：构建BERT模型、构建遮蔽词预测的损失函数、构建Next Sentence ...
bert训练过程3
qqywm的博客
01-04 4354
输出参数 INFO:tensorflow:*** Features *** INFO:tensorflow: name = input_ids, shape = (8, 128) INFO:tensorflow: name = input_mask, shape = (8, 128) INFO:tensorflow: name = masked_lm_ids, shape = (8, 20)...
003 卷积神经网络（CNN）-- 原理到实践
yy_xzz的博客
12-25 739
卷积操作：局部连接，权重共享池化操作：降维，增加平移不变性经典架构现代技巧：批归一化，Dropout，残差连接实践应用：图像分类，特征可视化# 尝试设计一个用于MNIST的CNN# 你的设计pass# 前向传播pass。
Monodepth：基于左右一致性的无监督单目深度估计，单目估计的起步-k学长深度学习专栏
12-23 933
Monodepth是一种创新的单目深度估计方法，通过无监督学习实现深度预测。其核心思想是将深度估计转化为图像重建问题，利用双目相机的左右图像进行训练，无需真实深度标注。方法采用编码器-解码器结构预测视差图，并通过三种关键损失函数（外观匹配损失、视差平滑损失和左右一致性损失）来优化模型性能。最大的创新点是引入左右一致性约束，使模型能更准确地理解场景的几何结构。相比传统方法，Monodepth降低了数据获取成本，提高了深度预测的可靠性，适用于自动驾驶、AR/VR等多个领域。
Day46
m0_70488789的博客
12-26 168
作业：手动构造类似的数据集（如cosx数据），观察不同的机器学习模型的差异。4. 经典机器学习在序列任务上的劣势；# DAY 46 序列预测任务介绍。b. 多步预测的2种方式。2. 序列数据的处理：滑动窗口。3. 多输入多输出任务的思路。
Day44 简单 CNN 实战
最新发布
W020419的博客
12-26 254
将卷积输出展平成向量，接 1~2 层全连接 + Dropout，输出 10 维 logits。：BatchNorm 稳定分布、Dropout 降低 co-adaptation。这些中间输出就是“特征图”，可借助 Grad-CAM 等方法做可视化解释。第 3 个卷积块：池化后得到 128×4×4，展平即 2048 维向量。第 1 个卷积块：保持尺寸，池化后得到 32×16×16；第 2 个卷积块：池化后得到 64×8×8；提取多尺度特征并逐步减小空间维度。
Day 45 简单CNN@浙大疏锦行
qq_35619695的博客
12-22 792
探究修改卷积神经网络（CNN）的深度与宽度，以及改变学习率调度器对模型训练效果的影响。
PyTorch深度学习入门教程整理
资源摘要信息: "深度学习与PyTorch入门学习教程" 本教程旨在为初学者提供一个关于深度学习和PyTorch框架入门的知识指南。教程将从深度学习的基本概念讲起，逐步引导读者理解深度学习的核心原理，然后过渡到PyTorch...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值