亲亲Friends的博客

很简单，以下代码即可：for name, param in mymodel.named_parameters(): print(name) print(param.data) print("requires_grad:", param.requires_grad) print("-----------------------------------")输出示例：clientA.0.weighttensor([[ 1.2868, 1.2431, 2.0032,

softmax的方程为：p=softmax(z) where pi=ezi∑j=1kezjfor i=1,⋯ ,k.\boldsymbol{p}=\text{softmax}(\boldsymbol{z})\, \text{where}\, p_i=\frac{e^{z_i}}{\sum^k_{j=1}e^{z_j}} \text{for}\, i=1,\cdots,k .p=softmax(z)wherepi​=∑j=1k​ezj​ezi​​fori=1,⋯,k.上式中p\boldsymbol{

方案1 （推荐方案）保存模型torch.save(the_model.state_dict(), PATH)加载模型the_model = TheModelClass(*args, **kwargs) # 定义模型the_model.load_state_dict(torch.load(PATH)) # 读取参数注：本方案只保留和读取模型参数。方案2保存模型torch.save(the_model, PATH)加载模型the_model = torch.load(P

通常情况下，我们所说的Sigmoid函数定义如下：σ(x)=11+e−x=exex+1.\sigma(x)=\frac{1}{1+e^{-x}}=\frac{e^x}{e^x+1}.σ(x)=1+e−x1​=ex+1ex​.它的形状如下：导数如下：dσ(x)dx=σ(x)⋅(1−σ(x)).\frac{d\sigma(x)}{dx}=\sigma(x)\cdot (1-\sigma(x)).dxdσ(x)​=σ(x)⋅(1−σ(x)).本篇博文讲σ(x)\sigma(x)σ(x)导数的推

本文主要实现卷积神经网络（Convolutional Neural Network, CNN）中卷积操作的forward和backward函数。CNN主要包括卷积（Convolution），池化（pooling），全连接（Fully Connected）操作。相信点进来的同学对这些操作的细节已经很熟悉了，不熟悉的同学可以参考这一篇博文（本人看过讲CNN最简单易懂、最好的博文，没有之一）：An In...