sdu_hao的博客

原文地址 在学习某个深度学习框架时，掌握其基本知识和接口固然重要，但如何合理组织代码，使得代码具有良好的可读性和可扩展性也必不可少。本文不会深入讲解过多知识性的东西，更多的则是传授一些经验，关于如何使得自己的程序更pythonic，更符合pytorch的设计理念。这些内容可能有些争议，因其受我个人喜好和coding风格影响较大，你可以将这部分当成是一种参考或提议，而不是作为必须遵循的准则。归根到...

在训练神经网络过程中，需要用到很多工具，其中最重要的三部分是：数据加载预处理、可视化和GPU加速。本章主要介绍Pytorch在这几方面的工具模块，合理使用这些工具能够极大地提高编码效率。 目录 1. 数据处理 2. 计算机视觉工具包：torchvision 3. 可视化工具 4. 使用GPU加速：cuda 5. 持久化 1. 数据处理 在解决深度学习问题的过程中，往往需要花费大量的...

在上一篇博客中，我们使用autograd可实现深度学习模型，但其抽象程度较低，如果用其来实现深度学习模型，则需要编写的代码量极大。在这种情况下，torch.nn应运而生，其是专门为深度学习而设计的模块。torch.nn的核心数据结构是Module，它是一个抽象概念，既可以表示神经网络中的某个层（layer），也可以表示一个包含很多层的神经网络。在实际使用中，最常见的做法是继承nn.Module，撰...

用Tensor训练网络很方便，但从上篇博客最后的线性回归例子来看，反向传播过程需要自己手动实现。这对于像线性回归等较为简单的模型来说，还可以应付，但实际使用中经常出现非常复杂的网络结构，此时如果手动实现反向传播，不仅费时费力，而且容易出错，难以检查。torch.autograd就是为方便用户使用，而专门开发的一套自动求导引擎，它能够根据输入和前向传播过程自动构建计算图，并执行反向传播。 计算图(...

Tensor，又名张量，它不仅在PyTorch中出现过，它也是Theano、TensorFlow、 Torch和MxNet中重要的数据结构。关于张量的本质不乏深度的剖析，但从工程角度来讲，可简单地认为它就是一个数组，且支持高效的科学计算。它可以是一个数（标量）、一维数组（向量）、二维数组（矩阵）和更高维的数组（高阶数据）。Tensor和Numpy的ndarrays类似，但PyTorch的tenso...

PyTorch的简洁设计使得它入门很简单，在深入介绍PyTorch之前，本节将先介绍一些PyTorch的基础知识，使大家能够对PyTorch有一个大致的了解，并能够用PyTorch搭建一个简单的神经网络。 目录 1. Tensor 2. 自动求导：Autograd 3. 神经网络 4. 总结 1. Tensor Tensor是PyTorch中重要的数据结构，可认为是一个高维数组。它可...