不加辣椒的博客

之前搭建了ResNet网络架构，所以用其识别MNIST数据集。 1、由于电脑的运行内存，在设计网络结构时，用了8层网络，分别是1个输入层，1个输出层，三个Block，每个Block中有1个Basicblock，每个Basicblock中有2层layer。 2、考虑到MNIST的数据集的大小为28 x 28，没经过第2个和都3个Block，大小都减半，也就是说，进入输出层时的大小为7 x 7，所以在最后用到的Average_pool的大小为7。 3、因为MNIST的channel数为1，所以in_channe

ResNet代码 import torch import torchvision import torch.nn as nn import torch.nn.functional as F import matplotlib.pyplot as plt import numpy as np # define structure class BasicBlock(nn.Module): def __init__(self, in_planes, planes, stride=1):

CNN网络搭建 import torch import torch.nn as nn import torch.nn.functional as F import torchvision import torch.utils.data as Data import matplotlib.pyplot as plt # define hyper parameters Batch_size = 100 Epoch = 1 Lr = 0.5 # define train data and test data

批量处理 import torch import torch.utils.data as Data batch_size = 5 if __name__ == '__main__': x = torch.linspace(1, 10, 10) y = torch.linspace(10, 1, 10) torch_dataset = Data.TensorDataset(x, y) loader = Data.DataLoader( dataset=to

torch.nn搭建神经网络–回归问题 import torch import torch.nn as nn import torch.nn.functional as F import matplotlib.pyplot as plt x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1) y = x.pow(2) + 0.2 * torch.rand(x.size()) # plt.scatter(x, y) # plt.show() clas

Autograd自动求导 autograd是Pytorch的核心，可以用这个包来训练神经网络。torch.tensor是这个包的核心类，主要参数是requires_grad=，如果为True，代表追踪tensor的所有操作。当完成操作后，可以通过调用.backward来自动计算梯度。这里和莫烦老师的笔记有点不同，新的Pytorch版本里面，将Tensor和Variable进行了合并。 import torch tensor = torch.tensor([[1., 3.], [1., 3.]], requi

主要看了莫烦老师的Pytorch教程，结合自己的理解整理了第一次笔记。 torch的tensor与Numpy数组之间的转换 将torch的tensor转换为numpy数组：.numpy()；； 将numpy数组转化为torch中的tensor：torch.from_numpy()； ```python import torch import numpy as np np_data = np.arange(6).reshape((2, 3)) # The form of array torch_

讨论numpy中的np.matmul，.dot以及*的区别，要区分一维情况和二维情况。 一维情况 import numpy as np np_array = np.arange(3) print( 'np_array:', np_array, '\ndot:', np_array.dot(np_array), '\n*:', np_array * np_array ) 输出结果为： np_array: [0 1 2] dot: 5 *: [0 1 4] 可以看出，.dot是