DS00HY的小博客

如何加速深度学习的计算过程，是一个困扰大家的问题，刚刚看到一篇Horace He（Meta工程师，2020年本科毕业于康奈尔）新分享的文章，觉得言简意赅，也可以参考：机器之心的翻译 他将深度学习体系的效率理解为3个不同的组成部分。1. 计算: 花费在GPU计算实际浮点运算(FLOPS)上的时间 2. 内存: 在GPU内传输张量所花费的时间 3. 开销: 其他一切 就像训练ML模型一样，了解所处的状态可以让我们缩小到最重要的优化范围。例如，如果你把所有的时间都花在内存传输上(即你处于内存带宽限制的状态下)

莫烦python的教程 terson 与Variable                 1.Terson 博客 Tensor类似于numpy的ndarrays，另外它还可以在GPU上使用Tensor进行加速计算，其实就是一个多维数组，我们可以对其进行各种数学运算和处理 import torch x = torch.Tensor(5, 3) print(x) #输出： 0.0000 ...

莫烦python 1.线性回归模型 网址 1.建立数据集 我们创建一些假数据来模拟真实的情况. 比如一个一元二次函数: y = a * x^2 + b, 我们给 y 数据加上一点噪声来更加真实的展示它. import torch import matplotlib.pyplot as plt x = torch.unsqueeze(torch.linspace(-1, 1, 100)...

莫烦的网址这里 关于卷积神经网络的介绍： 自行搜索或者参考博客1，在莫烦中也有相应的视频 我们接下来直接手动实现一个简单的数字识别的CNN网络： 1.首先定义数据集 通过pytorch的torchvision.datasets网址 dset.MNIST(root, train=True, transform=None, target_transform=None, download=...