qq757056521的博客

pytorch丢弃法dropout网络：输入层：28*28=784(每个样本) --> 隐藏层1: 256个单元 --> 隐藏层2: 256个单元 --> 输出层：10(分类)代码：import torchimport torch.nn as nnimport torchvisionimport torchvision.transforms as transformsimport sysclass FlattenLayer(torch.nn.Module):

目录1, pytorch权重衰减逐步实现2, pytorch权重衰减简单实现1, pytorch权重衰减逐步实现代码：# weight_decay.pyimport torchimport torch.nn as nnimport numpy as npfrom matplotlib import pyplot as pltdef init_params(): w = torch.randn((num_inputs, 1), requires_grad=True) b =

pytorch拟合多项式 y=1.2x − 3.4x2 +5.6x3 + 5, 并画出原始曲线及拟合曲线代码：import torchimport numpy as npfrom matplotlib import pyplot as pltdef semilogy_draw(x_vals, y_vals, x_label, y_label, x2_vals=None, y2_vals=None, legend=None, figsize=(3.5, 2.5)):

pytorch实现全连接网络(多层感知机)网络模型为3层(含输入层)：输入(28×28)784个特征单元(神经元)；隐藏层：256个单元；输出层：10 (比如sofamax的10分类)。代码：import torchfrom torch import nnfrom torch.nn import initimport torchvisionimport torchvision.transforms as transformsimport sysimport timeclass

激活函数relusigmoidtanh(Mish)import torchfrom matplotlib import pyplot as pltimport torch.nn.functional as F# relu激活函数 ReLU(x)=max(x,0)# x = torch.arange(-8.0, 8.0, 0.1, requires_grad=True)# y = x.relu() # 激活函数## plt.figure(1, (300, 400))# plt.

# 1, tensor转为numpy# requires_grad=True 时，不可以将tensor直接转为numpy； 需要 x(tensor).detach().numpy()# requires_grad=False 时，可以将tensor直接转为numpyx1 = torch.arange(-8.0, 8.0, 1, requires_grad=False) # requires_grad 默认值为Falseprint(x1.numpy()) # [-8. -7. -6. -5. -4

pytorch实现softmax回归import torchimport torchvisionimport torchvision.transforms as transformsimport matplotlib.pyplot as pltimport timeimport sysfrom collections import OrderedDict# Fashion-MNIST是一个10类服饰分类数据集mnist_train = torchvision.datasets.Fashi

pytorch实现VGG16网络的全连接层import numpy as npimport torchimport torch.utils.data as Dataimport torch.nn.functional as F# 定义模型 : input-->fc1-->fc2-->predict# 25088-->4096-->4096-->1000class FullConnectionNet(torch.nn.Module):

pytorch实现线性回归简单实现import numpy as npfrom matplotlib import pyplot as pltimport torchimport torch.utils.data as Data# 显示数据def show(sample, labels): print('show') plt.scatter(sample, labels, 1) plt.show()# 定义模型 1class LinearNet(torch.nn.

pytorch实现线性回归线性回归应用：如计算房价与面积/房龄的线性函数关系，参数面积越大，一般房价越高(正比，y=kx正斜率k)；年代越长，一般房价越低(反比，y=kx负斜率k)。假设房价与两个参数呈线性关系，则初始化参数时，取 true_w = [2, -3.4]import numpy as npimport torchimport randomfrom matplotlib import pyplot as pltdef show(sample, labels): print

pytorch求梯度1, tensor中有 requires_grad 属性，当设置 requires_grad 为True，则会追踪(track)对tonsor的所有操作，之后就可以(利用链式法)调用.backward()来完成所有梯度计算。requires_grad ①可以在创建tensor时，通过参数设置为True/False；②或者通过 .requires_grad_(True/False)设置2, 每个Tensor都有一个 .grad_fn 属性，该属性表示此Tensor是不是通过某些运算得

简单介绍几种创建张量tensor的方式1，直接创建tensor2.1，由numpu创建tensor2.2， 把tensor转成numpy3， 类似与创建numpy的方式创建tensor4， 通过现有的tensor来创建tensor5.1, 查看tensor形状5.2, 改变tensor形状#1，直接创建tensortensor1 = torch.tensor([[1, 2], [3, 4]])tensor1_f = torch.FloatTensor([[1, 2], [3, 4]])

pytorch：torch.cuda中的函数device_count = torch.cuda.device_count() # 可用的GPU数量current_device = torch.cuda.current_device() #返回当前所选设备的索引device_name = torch.cuda.get_device_name(current_device) #返回设备名， 默认值为当前设备device_capability = torch.cuda.get_device_capabil