冰雪storm-优快云博客

原创【PyTorch入门】0.快速开始

Learn the Basics — PyTorch Tutorials 2.2.0+cu121 documentationLink: Learn the Basics — PyTorch Tutorials 2.2.0+cu121 documentationLearn the Basics — PyTorch Tutorials 2.2.0+cu121 documentationLink: Learn the Basics — PyTorch Tutorials 2.2.0+cu121 documen

2023-12-26 22:57:08 1140 2

原创美团AI面试面经

函数指针是一种指向函数的指针变量，它存储了函数的入口地址，通过函数指针可以调用其所指向的函数，就像使用普通指针访问变量一样。一般形式为返回值类型 (*指针变量名)(参数列表)。例如，定义了一个名为pFunc的函数指针，它可以指向一个接受两个int类型参数并返回int类型值的函数。

2025-03-12 17:34:02 891

原创【深度学习PyTorch简介】7.Load and run model predictions 加载和运行模型预测

在本单元中，我们将了解如何加载模型及其持久参数状态和推理模型预测。为了加载模型，我们将定义模型类，其中包含用于训练模型的神经网络的状态和参数。加载模型权重时，我们需要首先实例化模型类，因为该类定义了网络的结构。接下来，我们使用方法加载参数。**注意：**请务必在推理之前调用方法，以将 dropout 和批量归一化层设置为评估模式。否则，您将看到不一致的推理结果。

2024-01-23 21:18:54 660

原创【PyTorch】6.Learn about the optimization loop 了解优化循环

现在我们有了模型和数据，是时候通过优化数据上的参数来训练、验证和测试我们的模型了。训练模型是一个迭代过程；在每次迭代中，模型都会对输出进行猜测，计算其猜测中的误差（损失），收集相对于其参数的导数的误差（如我们在中看到的），并使用梯度下降这些参数。有关此过程的更详细演练，请观看有关视频。

2024-01-22 22:44:40 1270

原创【PyTorch简介】5.Automatic Differentiation with `torch.autograd` 自动微分与`torch.autograd`

在训练神经网络时，最常用的算法是 **反向传播**。在该算法中，根据损失函数相对于给定参数的**梯度**来调整参数（模型权重）。为了计算这些梯度，PyTorch 有一个名为`torch.autograd`的内置微分引擎。它支持任何计算图的梯度自动计算。

2024-01-15 22:06:15 1103 3

原创【PyTorch简介】4.Building the model layers 生成模型层

神经网络是按层连接的神经元的集合。每个神经元都是一个小的计算单元，执行简单的计算来共同解决问题。神经元分为 3 种类型的层：输入层、隐藏层和输出层。隐藏层和输出层包含许多神经元。神经网络模仿人脑处理信息的方式。

2024-01-15 22:03:15 1249

原创【PyTorch简介】3.Loading and normalizing datasets 加载和规范化数据集

用于处理数据样本的代码可能会变得混乱且难以维护；理想情况下，我们希望数据集代码与模型训练代码分离，以获得更好的可读性和模块化性。PyTorch 提供了两个数据原语：`torch.utils.data.DataLoader`和`torch.utils.data.Dataset` ，允许您使用预加载的数据集以及您自己的数据。 `Dataset`存储样本及其相应的标签，并`DataLoader`围绕 `Dataset`进行迭代，以方便访问样本。

2024-01-14 22:32:22 1221 1

原创【Pytorch简介】2.What are Tensors 什么是张量？

张量是一种特殊的数据结构，与数组和矩阵非常相似。在 PyTorch 中，我们使用张量对模型的输入和输出以及模型的参数进行编码。ndarray类似，不同之处在于张量可以在 GPU 或其他硬件加速器上运行。事实上，张量和 NumPy 数组通常可以共享相同的底层内存，从而无需复制数据（请参阅部分中了解更多相关内容）。如果您熟悉 ndarrays，那么您就会熟悉 Tensor API。如果没有，那就跟随吧！

2024-01-11 23:45:05 1255 6

原创【Pytorch简介】1.Introduction 简介

大多数机器学习工作流涉及处理数据、创建模型、使用超参数优化模型，以及保存，然后推理已训练的模型。本模块介绍在 PyTorch（一种常用的 Python ML 框架）中实现的完整机器学习 (ML) 工作流。我们使用 FashionMNIST 数据集来训练一个神经网络模型，该模型可识别 T 恤/上衣、裤子、套头衫、连衣裙、外套、凉鞋、衬衫、运动鞋、包或短靴等图像。在开始构建模型之前，我们将介绍理解生成神经网络模型的关键概念。

2024-01-11 23:43:43 482

原创【深度学习PyTorch入门】7.Save and Load the Model 保存和加载模型

在本节中，我们将了解如何通过保存、加载和运行模型预测来持久保存模型状态。

2024-01-09 16:24:08 600

原创【人脸关键点检测评价指标：NME】

个坐标的ground-truth，d为归一化因子。d可以为IPN(Inter- pupil distance normalized error )，也可以为ION(inter-ocular distance normalized error)。NME(Normalization Mean Error)，通常用于评估人脸对齐算法的质量。分别是每幅图像关键点坐标的真实值和预测值，

2024-01-09 16:18:58 2544

原创【深度学习PyTorch入门】6.Optimizing Model Parameters 优化模型参数

现在我们有了模型和数据，是时候通过优化数据上的参数来训练、验证和测试我们的模型了。在每次迭代中，模型都会对输出进行猜测，计算其猜测中的误差（衡量的是得到的结果与目标值的不相似程度，它是我们在训练时想要最小化的损失函数。为了计算损失，我们使用给定数据样本的输入进行预测，并将其与真实数据标签值进行比较。一旦我们设置了超参数，我们就可以使用优化循环来训练和优化我们的模型。向前跳转查看优化循环的。当提供一些训练数据时，我们未经训练的网络可能不会给出正确的答案。优化是调整模型参数以减少每个训练步骤中模型误差的过程。

2024-01-07 16:02:53 1578

原创【PyTorch入门系列】5.Autograd 自动微分

对象组成的有向无环图 (DAG) 中，autograd 保存数据（张量）和所有执行的操作（以及生成的新张量）的记录。在这个 DAG 中，叶子是输入张量，根是输出张量。例如，当我们训练完模型，并且只想将其应用于某些输入数据时，即我们只想通过网络进行*前向计算。在许多情况下，我们有一个标量损失函数，并且需要计算某些参数的梯度。，这是在标量值函数（例如，神经网络训练期间的损失）的情况下，计算梯度的有用方法。为了优化神经网络中参数的权重，我们需要计算损失函数关于参数的导数。时，梯度的值是不同的。

2024-01-06 23:03:36 803 1

原创【PyTorh入门】4.构建模型

神经网络由对数据执行操作的层/模块组成。命名空间提供了构建您自己的神经网络所需的所有构建块。在PyTorch 中，每个模块都是子类。神经网络本身就是一个模块，由其他模块（层）组成。这种嵌套结构允许轻松构建和管理复杂的架构。在以下部分中，我们将构建一个神经网络，来对 FashionMNIST 数据集中的图像进行分类。

2024-01-04 17:04:47 965 1

原创【PyTorch入门】3.Transforms

数据并不总是以训练机器学习算法所需的最终处理形式出现。我们使用来对数据执行一些操作并使其适合训练。所有 TorchVision datasets都有两个参数：transform用来修改features和用来修改labels。这两个参数接受包含转换逻辑的可调用对象。模块提供了几种开箱即用的常用转换。FashionMNIST features采用PIL图像格式，labels为整数。对于训练，我们需要将特征作为归一化张量，将标签作为单热编码张量。为了进行这些转换，我们使用ToTensor和Lambda。

2024-01-04 12:02:56 377 1

原创【PyTorch入门】2.数据集和数据加载器

_init____len__和__getitem__。看看这个实现：FashionMNIST 图像存储在目录img_dir中，它们的标签单独存储在CSV 文件中。在接下来的部分中，我们将详细介绍每个函数中实现的功能。import os。

2024-01-02 23:00:55 863 1

原创【PyTorch入门】1.张量

张量 — PyTorch 教程 2.2.0+cu121 文档。

2023-12-31 15:50:30 859

原创介绍 TensorFlow 的基本概念和使用场景。

TensorFlow 是一个开源的机器学习框架，由 Google 开发，可用于构建和训练深度神经网络。TensorFlow 的名称来自于其关键概念 "tensor"，它是一个多维数组，可以表示向量、矩阵、图像和视频等数据类型。总之，TensorFlow 是一个功能强大的机器学习框架，可以帮助开发者快速构建高效的深度神经网络模型，并用于各种应用场景。TensorFlow 可应用于广泛的领域，如自然语言处理、图像识别、音频处理、机器翻译和推荐系统等。

2023-09-03 12:43:43 150