u011699626的博客

今天发现了一个特别方便的东西，原来Matplotlib绘图是直接支持tensor数据类型的，这样的话以后在机器学习可视化中就无需对tensor数据进行numpy数据转换了。

今天发现了一种在Pytorch中可以在计算后自动修改元素值的写法，这里以四则运算为例来说明这个问题。import torch# 带有下划线的方法，指代就地修改，计算完成后对操作的tensor变量进行修改t1 = torch.tensor(5)t2 = torch.tensor(5)t3 = torch.tensor(1)t1.add_(t3)print(t1)t2.mul_(t3)print(t2)"""输出结果：tensor(6)tensor(5)"""我们可以看到当计算

这里介绍一下Pytorch模块的基本操作。在Pytorch中，数据的操作类型为tensor(张量类型)。什么是张量呢？推荐自主阅读维基百科张量(超链接点击跳转)来进行学习。导入Pytoch模块import torchprint(torch.__version__)"""输出结果：1.9.0+cpu"""注意这里导入时使用的关键字是torch而不是Pytorch. 其次我们可以看到这里的输出结果表示我们安装的是cpu版本，有些电脑支持GPU也可以安装对应的GPU版本。创建一个te

之前我们了解了，.t()函数均只能够对一维和二维tensor进行操作。对于高阶tensor，我们应该使用.transpose(),.T或者.permute()函数。import torch# 可以将高阶张量的任意两个方向的进行转置, 但是一次只能实现两方向之间的转置t1 = torch.tensor([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])pri

今天研究了一下机器学习，发现里面出现了一个参数叫batch_size。那么什么是batch_size呢？batch_size：表示单次传递给程序用以训练的参数个数。比如我们的训练集有1000个数据。这是如果我们设置batch_size=100，那么程序首先会用数据集中的前100个参数，即第1-100个数据来训练模型。当训练完成后更新权重，再使用第101-200的个数据训练，直至第十次使用完训练集中的1000个数据后停止。那么为什么要设置batch_size呢？优势：1. 可以减少内存的使用，因为我们