scarletteshu的博客

报错内容:package hdf5 was not found in the pkg-config search path.Perhaps you should add the directory containing `hdf5.pc' to the PKG_CONFIG_PATH environment variableNo package 'hdf5' found解决：sudo apt-get install libhdf5-serial-dev netcdf-bin libnetc

梳理一下1d,2d,3d卷积的用法import torch.nn as nn一、nn.Conv1d1. 定义class in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros')2. 参数解释参数名含义默认值in_channels(int)输入信号的通道数, 文本应用中为词向量的维度-ou.

神经网络可以通过torch.nn包来构建nn依赖autograd（见学习笔记二）来定义模型和微分nn.Module包含各种类型的网络层(layers)前向传播forward(input),返回output.一、网络训练的基本步骤定义一个具有科学系参数的神经网络(权值)迭代数据集的所有输入通过网络处理输入计算loss反向求网络参数的梯度更新参数(权重)[新权值 = 权值- 学习率 * 梯度]二、定义网络import torchimport torch.nn as nnimp.

autograd包为tensors上的所有操作提供自动微分。是一个按运行定义的框架，这意味着你的反向求导是由代码的运行方式定义的，并且每个迭代都可以是不同的。一、torch.Tensortorch.Tensor是autograd包的中心类。1. 自动求导将Tensor的属性.requires_grad设置为True，它将开始跟踪其上的所有操作(比如加减乘除等等计算)。完成计算后，可调用.backward()自动计算所有梯度。此Tensor的梯度将累积到.grad属性中。2.取消求导调用.d.

基础篇为跟随官方tutorial学习的笔记初步认识pytorch一、basic knoledge of TensorsTensors与numpy的ndarray相似，不过可以在GPU上加速计算 1. 创建未初始化tensorfrom __future__ import print_functionimport torchx = torch.empty(5, 3) #声明未初始化的矩阵，在使用前不包含确定的已知值，创建时分配内存中的任何值都将作为初始值出现。print(x)输出：t

写在前面由于在分别使用以下命令时都遇到了，不支持python3.7的情况，所以自己搞到了方法。不支持的情况：conda install opencvconda install -c menpo opencv3conda install -c menpo opencv安装opencv3去anaconda cloud查询找到的，大家以后用conda安装包都可以先查一下，附上网址：anaconda cloud成功安装的命令是(以下三个都安上)：conda install -c anaconda

类和子类class bird(object): def __init__(self,sound): #magic mehod 前后两个下划线 如__add__() self.sound=sound #__dict__() print("init sound:",sound) def chirp(se...

多进程编程import multiprocessingdef process1(): return 1def process2(): return 2p1=multiprocessing.Process(target=process1)p2=multiprocessing.Process(target=process1)p1.start() #启动p2.s...

进一步的列表操作print("abc"+"xyz")s="abc".__add__("xyz")print(s)b=2.0.__mul__(3.0)print(b)lis=[1,2,3,4]print(lis.__getitem__(3))print(lis[3])b=lis[:]a=lisprint(b,"\n",a)lis.__setitem__(3,0) #...

最基本的不用写变量类型，type(变量名)可以判断,没有分号大括号list & tupleexm_list=[True,2,"like",[4,5]]    #类似数组，可修改exm_tuple=(False,2,"like")      #不可修改单个访问类似数组：exm_list[0]      #Trueexm_tuple[0]  #False序列多个访问：序列名[下限，上限，步长]...

文件f=open(file_name,open_way)# "r","w"#"a" 如果文件存在写入到文件末尾，否则新建文件"r"f.read(2) #read 2 Bytef.readline()f.readlines() #read all lines in a list"w","a"f.write("1k is real\r\n") #w