我是菜鸡

pytorch的rand*随机数torch.randtorch.rand(*sizes, out=None) → Tensor返回一个张量，包含了从区间[0,1)的均匀分布中抽取的一组随机数，形状由可变参数sizes 定义。print(torch.rand(3))print(torch.rand(3,2))输出为：>>tensor([0.3445, 0.9567, 0.7707])tensor([[0.7644, 0.5776], [0.4379, 0.546

看看torchvision.transforms.ToTensor做了什么：把一个取值范围是[0,255]的PIL.Image或者shape为(H,W,C)的numpy.ndarray，转换成形状为[C,H,W]，取值范围是[0,1.0]的torch.FloadTensor。简单来说就是把ndarray转换为tensor。np.ndarray为[h, w, c]格式：数组中最外层即hight，表示图像像素有几行；第二层元素width，表示图像像素几列，最后一层元素为每一个通道的数值。Tensor为

那么多相乘，讲实话我到现在也没仔细梳理过，所以现在搞一下子。文章目录按位置*数乘torch.mul矩阵向量相乘torch.mv矩阵乘法torch.mm点乘积torch.dot黑科技@首先声明一个向量和一个二维矩阵import torchvec = torch.arange(4)mtx = torch.arange(12).reshape(4,3)print(vec, mtx,sep='\n')输出结果：>> tensor([0, 1, 2, 3])tensor([[ 0,

小知识，大挑战！本文正在参与“程序员必备小知识”创作活动。碎碎念问题是这样的，今天在看鱼书（《深度学习进阶：自然语言处理》）。看到SVD分解：使用奇异值分解（singular value decomposition，SVD）对矩阵进行降维。然后我手写了一下书里的代码，结果和书中的输出不一样。本来我想越过这个问题不管它，因为书里还用matplotlib画了散点图，我想我画一下看看和人家结果一不一样不就行了嘛。结果我画图也出bug了。在不能使用图的情况下我只好硬着头皮查资料看看我的SVD分解是不是出错了。

PyTorch: Tensors and autograd(auto-gradient)因为pytorch中可以使用autograd实现神经网络反向传播过程的自动计算。 当我们使用autograd的时候，前向传播会定义一个计算图，图中的节点都是张量，图的边是函数，用于从输入张量产生输出张量。通过这个图的反向传播就可以轻松获得gradient。虽然听起来很复杂，但是用起来是很简单的，每个张量都代表计算图中的一个节点。如果x是一个张量，并且对其设置x.requires_grad=True，那么x.grad会