⚡

除了默认的欧氏距离和内积距离，

PyTorch 的核心自动求导工具使用了一种基于动态计算图的机制。当你在Tensor上调用操作时，PyTorch 会根据这些操作动态地构建一个有向无环图（DAG）。在这个图中，叶子节点表示输入张量，根节点则是输出张量。每个节点都表示一个操作，而autograd通过从根节点回溯（backpropagation），逐步计算各个节点的梯度。PyTorch 自动求导的强大之处在于其动态计算图构建方式。在前向传播期间，每当执行一次操作，PyTorch 就会创建相应的计算图，并允许你通过backward()

本篇博客将记录深度学习领域常见模型的大小，具体算法如下模型可能来自于PyTorch官方，HuggingFace等。如有错误或者建议欢迎在评论区指出。第三方库版本4.30.2PyTorch2.0.1。

目录一、torch.nn.Sequential一、torch.nn.SequentialSequential 本质是一个模块（即 Module），根据Pytorch中的约定，模块中可以继续添加模块。这意味着我们可以在 Sequential 中添加其它的模块（当然也可以添加其他的 Sequential）。添加完成后，Sequential 会将这些模块组成一个流水线，输入将依次通过这些模块得到一个输出，如下图所示：...

目录一、一级目录1.1 二级目录1.1.1 三级目录一、一级目录1.1 二级目录1.1.1 三级目录

目录一、一级目录1.1 二级目录1.1.1 三级目录一、一级目录1.1 二级目录1.1.1 三级目录

目录一、张量的创建1.1 直接从数据中创建一、张量的创建1.1 直接从数据中创建data = [1, 2, 3]torch.tensor(data)# tensor([1, 2, 3])

目录一、torchvision简介一、FashionMNIST数据集一、torchvision简介有不少基于 Pytorch 的工具箱都非常实用，例如处理自然语言的 torchtext，处理音频的 torchaudio 以及处理图像视频的 torchvision。torchvision 主要包含了一些流行的数据集，模型架构和常用的图像转换功能等。本节将聚焦于数据集的使用以及相关的图像转换功能。一、FashionMNIST数据集...

目录一、torchvision简介二、torchvision.transforms2.1 `Image` 、`Tensor` 与 `ndarray` 之间的相互转化2.1.1 ToTensor()2.1.2 PILToTensor()2.1.3 ToPILImage()2.2 常见的图像操作2.2.1 TF.adjust_brightness()2.2.2 TF.adjust_contrast()2.2.3 TF.adjust_saturation()2.2.4 TF.adjust_sharpness()2

NetworkX

Node Embedding

我们知道，邻接矩阵通常是稀疏矩阵，而COO格式（CoordinateFormat）是稀疏矩阵的一种存储方式，本文将简要介绍如何将无权无向图的邻接矩阵转化为COO格式。顾名思义，COO格式即坐标格式，我们只需考虑邻接矩阵中不为零的元素的坐标。对于无权无向图，其邻接矩阵是对称阵并且元素非。先考虑下三角部分，不为零的元素的坐标为。，因此所有不为零的元素的坐标为。............