torch函数的学习笔记

偷了月亮的猫猫

于 2022-05-02 17:08:59 发布

阅读量562

点赞数

文章标签：学习深度学习 cnn

本文链接：https://blog.youkuaiyun.com/qq_43606990/article/details/124537307

版权

该教程介绍了PyTorch中神经网络的数据预处理步骤，包括ToTensor()转换和Normalize()的使用，以及如何导入和应用激活函数。内容涵盖了张量维度操作如unsqueeze()和squeeze()，并讨论了矩阵相乘和变量定义。此外，还涉及了神经网络构建中的卷积层、批量归一化和ReLU激活函数的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

【莫烦Python】PyTorch 神经网络_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1Vx411j7kT?p=7

.ToTensor()：

transf = transforms.ToTensor()
img_tensor = transf(img)

.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))：

均值和标准差

之前版本导入激活函数：

import torch.nn.functional as F
x = F.relu(self.conv1(x))

现在直接：

import torch.nn as nn
nn.Conv2d(input_c, branch_features, kernel_size=1, stride=1, padding=0, bias=False),
nn.BatchNorm2d(branch_features),
nn.ReLU(inplace=True)

torch.unsqueeze（）: 扩展维度

返回一个新的张量，对输入的既定位置插入维度1

torch.squeeze（）: 压缩维度

返回一个新的张量，对输入的既定位置减少维度1，减少一个[]

类型转换：

矩阵相乘：

np中可以 A = np.array(data) A.dot(B)

定义变量和是否记录反向传播路径：

variable和tensor合并，直接

tensor = torch.FloatTensor([[1,2],[3,4]])
variable = tensor.requires_grad_(requires_grad = True)

torch函数的学习笔记

类型转换：

矩阵相乘：

定义变量和是否记录反向传播路径：

激活函数activation functions:使得输出结果具有非线性特征

回归regression：

分类classification：