qq_31244453的博客

要点：我会这次会来见证神经网络是如何通过简单的形式将一群数据用一条线条来表示. 或者说, 是如何在数据当中找到他们的关系, 然后用神经网络模型来建立一个可以代表他们关系的线条.建立数据集我们创建一些假数据来模拟真实的情况. 比如一个一元二次函数:y = a * x^2 + b, 我们给y数据加上一点噪声来更加真实的展示它.import torchimport matplotlib.pyplot as pltx = torch.unsqueeze(torch.linspace...

Adam文档介绍（Pytorch）：本文在《Adam:随机优化方法》一书中提出了这一方法。参数介绍：params (iterable):可迭代对象的参数优化或dict定义参数组;lr (float, optional):学习速率(默认值:1e-3);betas (Tuple[float, float], optional):用于计算的系数(默认值:(0.9,0.999));eps (float, optional):项加到分母上改进数值稳定性(默认值:1e-8);wei

数据的拼接torch.cat(inputs, dimension=0) → Tensorinputs：你要拼接的输入x,y,z;dimension:0,为按照行拼接。1，为按照列拼接。例子将三维数据a,b,c组成图像的三通道数据。import torch"""将三维数据a,b,c组成图像的三通道数据。"""a = torch.randn(1,180, 7)print(a.shape)b = torch.randn(1,180, 7)print(a.shape)c =

在训练神经网络时有时需要开启visdom，否则遇到如下提示：requests.exceptions.ConnectionError: HTTPConnectionPool(host='localhost', port=8097): Max retries exceeded with url: /env/main (Caused by NewConnectionError('<urllib3.connection.HTTPConnection object at 0x0000019B9388658

目的：神经网络的训练有时候可能希望保持一部分的网络参数不变，只对其中一部分的参数进行调整。或者训练部分分支网络，并不让其梯度对主网络的梯度造成影响.这时候我们就需要使用detach()函数来切断一些分支的反向传播.1 tensor.detach()返回一个新的tensor，从当前计算图中分离下来。但是仍指向原变量的存放位置，不同之处只是requirse_grad为false.得到的这个tensir永远不需要计算器梯度，不具有grad.即使之后重新将它的requires_grad置为true,

1.dataloader：dataloader本质是一个可迭代,使用iter()访问，不能使用next()访问；使用iter（dataloader）返回的是一个迭代器，然后可以使用next()访问。iter():生成器是iterator可迭代对象，但list,dict,str是iterable,不是可迭代对象，iter()函数是把list,dict,str等iterable转换为可迭代对象.next()：返回迭代器的下一个项目，next()函数要和生成迭代器的 iter() 函数一起使用。

读取和归一化CIFAR10：torchvision.datasets.CIFAR10(root, train=True, transform=None, target_transform=None, download=False)参数说明：root:cifar-10-batches-py 的根目录train:True = 训练集 ,False = 测试集download :...

例子m = torch.nn.Conv2d(16,33,3,stride=2)#Conv2d(16, 33, kernel_size=(3, 3), stride=(2, 2))m = torch.nn.Conv2d(16, 33, (3, 5), stride=(2, 1), padding=(4, 2))#Conv2d(16, 33, kernel_size=(3, 5), strid...

import torchimport torch.nn as nnimport torch.nn.functional as F#定义一个网络class Net(nn.Module): def __init__(self): super(Net, self).__init__() # 1 input image channel, 6 output...

import torch #引入torch包创建一个张量并设置requires_grad=True为跟踪张量x = torch.ones(2,2,requires_grad=True)print(x)出：tensor([[1., 1.], [1., 1.]], requires_grad=True)进行张量运算：y = x + 2print(y)出：tens...

声明了一个未初始化的矩阵，但在使用前不包含确定的已知值。创建未初始化的矩阵时，当时分配的内存中的任何值都将显示为初始值。关键词 ===== 程序意思构造一个未初始化的5x3矩阵：x = torch.empty(5,3)print(x)出：tensor([[ 9.2030e+14, 7.3787e-19, 3.1588e-29], [ 1.6175e-38, 4.5...