qq_29380039的博客

文章目录1.生成对抗网络介绍2.代码讲解2.1 导入库文件、设定维度和批次2.2 载入数据集2.3 定义鉴别网络2.4 生成网络2.5 定义网络实例、优化器和损失函数2.6 网络训练过程2.7 保存模型2.8 训练结果图1.生成对抗网络介绍生成对抗网络GAN（Generate Adversarial Network）包含两个部分，生成网络和对抗网络。生成网络（generator）：给定一个简单的高维的正态分布的噪声向量，通过生成网络的WX+b和卷积池化等操作将其变为一个与输入的真实图片大小相同的矩阵

文章目录一、词变量二、单词预测一、词变量为什么要引入词变量？在分类问题中，采用的编码为one-hot编码，例如总共有五类，属于第二类的标签为（0,1,0,0,0）。但是在一篇文章中，单词的个数有成千上万个，倘若还是用one-hot编码，会消耗过多计算资源。词变量：将单词转化为一个n维向量。根据单词的数量使用torch.nn.Embedding(num_embeddings: int, embedding_dim: int建立num_embeddings个词向量，每个词向量的维度为embeddin

文章目录一、RNN二、LSTM一、RNN首先思考一个问题，为什么需要RNN？神经网络只能处理孤立的的输入，每一个输入之间是没有关系的。但是，某些任务需要能够更好的处理序列的信息，即前面的输入和后面的输入是有关系的，例如音频、视频、句子等。RNN较神经网络的不同是它将上一时刻的输出作为输入一起传入网络中，从而将输入联系起来。序列依次进入网络中，之前进入序列的数据会保存信息而对后面的数据产生影响。图中X0X1…Xn不是同一时刻输入网络的，图中代表的是时间维度，实际上整个网络只有一个A单元，例如t=

文章目录一、难样本三元组损失函数原理1.1 三元组损失函数原理1.2 难样本三元组损失函数原理一、难样本三元组损失函数原理1.1 三元组损失函数原理1.2 难样本三元组损失函数原理二、 难样本三元组损失函数代码实现...