Wanankl的博客

seq = 'hello'for i, key in enumerate(seq): print('seq[%d]=%c',%(i,key))'''输出：seq[0]=hseq[1]=eseq[2]=lseq[3]=lseq[4]=o'''seq = ['a', 'b', 'c', 'd']for i, key in enumerate(seq[::-1]) print 'seq[%d]=%c',%(i,key)''' seq[0]=dseq[1]=cseq[2]=bse

import torchx = torch.randn(128, 20) # 输入的维度是（128，20）m = torch.nn.Linear(20, 30) # 20,30是指维度output = m(x)print('m.weight.shape:\n ', m.weight.shape)print('m.bias.shape:\n', m.bias.shape)print('output.shape:\n', output.shape)# ans = torch.mm(inpu

1 定义单次训练用的样本数，通常为2^N，如32、64、1282 提出背景在batch_size概念没提出之前，神经网络的训练每一个epoch需要将所有的数据一次性加载训练，使得内存负载加大。这样会准确计算梯度方向更准确，但不同梯度值差异过大，无法确定全局的学习率。在这样的条件下，batch_size被提出来了。3 合适的batch_size训练的优点使内存利用率增大，加快训练速度使梯度方向计算更准确，收敛快...

import torchdef f(x): return (x-2).pow(2)def fp(x):#f(x)的求导 return 2*(x-2)x = torch.tensor([3.0], requires_grad=True)#x=3时的导数y = f(x)y.backward()#反向传播#对比print(fp(x))print(x.grad)

plt.text(0,0.5,'loss:%.4f '%loss.data.numpy(),#%.4f格式化输出，保留四位小数点 fontdict={'size': 20, 'color': 'red'}#字体尺寸20，颜色 红色) #第一和第二个参数0，0.5表示输出信息的坐标，原点坐标是（0，0）...