努力学习的！

Pytorch学习 - 保存和加载模型1. 3个函数2. 模型不同后缀名的区别3. 保存和重载模型参考资料：Pytorch官方文档链接某博客1. 3个函数torch.save() : 讲一个序列化对象保存到磁盘中。使用python的pickle工具。 模型 (model)、张量 (tensor) 和各种对象的字典 (dict) 都可以用这个函数保存。torch.load() ：将pickle对象文件反序列化到内存中，也便于将数据加载到设备中torch.nn.Module.load_state

Pytorch学习-task7：Pytorch池化层和归一化层torch.nn中提供的Pooling Layers池化层1. MaxPool 最大池化操作2. MaxUnpool - MaxPool1d计算部分反转？3. AvgPool练习归一化层参考链接1：参考链接2：参考链接3：torch.nn中提供的Pooling Layers池化层1. MaxPool 最大池化操作torch.nn.MaxPool1d(kernel_size, stride=None, padding=

Pytorch学习 - Task5 PyTorch卷积层原理和使用1. 卷积层介绍 （torch.nn下的）1. class torch.nn.Conv1d(in_channels,out_channels,kernel_size,stride=1,padding=0dilation=1,groups=1,bias=True) 一维卷积层2. class torch.nn.Conv2d() 二维卷积层3. class torch.nn.Conv3d() 三维卷积层三级目录参考链接1：参考链接2：1

Pytorch学习-tensorboard的使用1 Tensorboard简介运行机制安装及测试2 SummaryWriter实例的使用教程（1）初始化summaryWriter的方法（2）不同类型数据的记录1）数字 scalar使用样例2） 直方图 histogram使用样例3） 运行图 graph ！！官方样例4） 图片 image （pillow库支持）5） 嵌入向量embedding1 Tensorboard简介参考链接1安装：参考链接2使用：TensorBoard：TensorFlow中强

Pytorch学习-torch.max和min深度解析max的使用dim参数理解二维张量使用max()三维张量使用max()小例子max的使用参考链接：参考链接：对于tensorA和tensorB：1）torch.max(tensorA) 返回tensor中的最大值2）torch.max(tensorA,dim) 返回指定维度的最大数和对应下标3）torch.max(tensorA,tensorB) 比较tensorA和tensorB相对较大的元素dim参数理解搞清楚dim参数第0维

张量维度的理解介绍一维张量二维张量三维张量四维张量 （仅用于理解，坐标系已经不再适用）如何判断张量的batch数、行、列、深度小结：介绍参考链接1：参考链接2：张量的阶数有时也称维度，或者轴axis。比如矩阵[[1,2],[3,4]]，是一个二维张量。沿着第0个轴可以看到[1,2],[3,4]两个向量沿着第1个轴可以看到[1,3],[2,4]两个向量。图示：一维张量const1 = tf.constant([1,2,3,4],tf.float16)二维张量# 三行四列co

Pytorch使用过程错误与解决error1：关键词 copy tensorerror2：关键词 张量相加error3：关键词 nn.Linear()的使用报错1：报错代码：错误原因：报错2：报错代码：错误原因：解决办法错误原因：正确代码error1：关键词 copy tensor报错信息：UserWarning: To copy construct from a tensor, it is recommended to use sourceTensor.clone().detach() or sou

Pytorch学习 -- 深度学习一级目录二级目录三级目录一级目录二级目录三级目录Pytorch必须在init初始化网络结构 forward中做feed forward网络的前馈创建网络结构代码待更新知识点学习：张量tensor的各种操作.argmax() add() 等等 linknn.module 父类nn.Sequential()nn.module中的各层 nn.Linear()激活函数 nn.ReLU() nn.LeackyReLU() nn.ELU() 等等损失函数

参考链接1参考链接21.torch.nn.ELU Sigmoid和ReLU结合体，具有左侧软饱和性数学表达式：图像：右侧线性部分使得ELU可以缓解梯度消失问题，而左侧软饱和性能让ELU对输入变化或噪声更鲁棒。而且ELU的输出均值接近于0，所以没有严重的偏移现象，所以收敛速度更快2.torch.nn.LeakyReLU数学表达式：negative_slop是一个超参数，控制x为负数时斜率的角度，默认1e-2图像：3.torch.nn.PReLU() ReLU和LReLU改进版本数学

Pytorch学习 - Task6 PyTorch常见的损失函数和优化器使用官方1. 损失函数（1）BCELoss 二分类计算公式小例子：（2） BCEWithLogitsLoss 将Sigmoid函数和BCELoss方法结合到一个类中计算公式多出参数：小例子（3）NLLLoss(多分类问题) - 多分类的负对数似然损失函数(negative log likelihood loss)计算公式多出参数小例子（4）CrossEntropyLoss 多分类问题 - 将nn.LogSoftmax()和nn.NLL

1. unsqueeze(input, dim, out=None)函数 - 升维作用参考链接在指定的地方上增加一个维度0(-2) [行扩展]： 表示在张量最外层增加一个中括号变成第一维1(-1) [列扩展]：表示>>> input = torch.arange(0,6)>>> inputtensor([0, 1, 2, 3, 4, 5])>>> input.shapetorch.Size([6])>>> pri

学习自动求梯度torch.autograd学习 torch内置计算梯度工具torch.autogradbackwards 反向传播：参数（模型权重）根据给定参数的损益函数的梯度进行调整。# input:x parameters:w,bimport torchx = torch.ones(5)y = torch.zeros(3)w = torch.randn(5,3,requires_grad=True) # 参数需要计算损失函数梯度 因此设置 required_grad = Trueb

PyTorch学习-Task1：PyTorch张量计算与Numpy的转换张量 Tensor1.张量的定义2.张量的运算3.Tensor与Numpy类型的转换张量 Tensor1.张量的定义PyTorch支持的数据类型：整型和浮点型；以及对应的张量子类型数据类型类型名称张量子类型(1) 整型8位int8ByteTensor8位uint8CharTensor16位shortShortTensor32位intIntTensor64位