weixin_42529756的博客

mac pytorch安装及性能测试

Pytorch的入门使用目标知道张量和Pytorch中的张量知道pytorch中如何创建张量知道pytorch中tensor的常见方法知道pytorch中tensor的数据类型知道pytorch中如何实现tensor在cpu和cuda中转化1. 张量Tensor张量是一个统称，其中包含很多类型：0阶张量：标量、常数，0-D Tensor1阶张量：向量，1-D Tensor2阶张量：矩阵，2-D Tensor3阶张量…N阶张量2. Pytorch中创建张量使用pyt

Pytorch中的序列化容器目标知道梯度消失和梯度爆炸的原理和解决方法能够使用nn.Sequential完成模型的搭建知道nn.BatchNorm1d的使用方法知道nn.Dropout的使用方法1. 梯度消失和梯度爆炸在使用pytorch中的序列化 容器之前，我们先来了解一下常见的梯度消失和梯度爆炸的问题1.1 梯度消失假设我们有四层极简神经网络：每层只有一个神经元[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-PcP2KGJA-161357651147

循环神经网络实现文本情感分类目标知道LSTM和GRU的使用方法及输入输出的格式能够应用LSTM和GRU实现文本情感分类1. Pytorch中LSTM和GRU模块使用1.1 LSTM介绍LSTM和GRU都是由torch.nn提供通过观察文档，可知LSMT的参数，torch.nn.LSTM(input_size,hidden_size,num_layers,batch_first,dropout,bidirectional)input_size：输入数据的形状，即embedding_di

循环神经网络目标能够说出循环神经网络的概念和作用能够说出循环神经网络的类型和应用场景能够说出LSTM的作用和原理能够说出GRU的作用和原理1. 循环神经网络的介绍为什么有了神经网络还需要有循环神经网络？在普通的神经网络中，信息的传递是单向的，这种限制虽然使得网络变得更容易学习，但在一定程度上也减弱了神经网络模型的能力。特别是在很多现实任务中，网络的输出不仅和当前时刻的输入相关，也和其过去一段时间的输出相关。此外，普通网络难以处理时序数据，比如视频、语音、文本等，时序数据的长度一般是不

文本情感分类目标知道文本处理的基本方法能够使用数据实现情感分类的1. 案例介绍为了对前面的word embedding这种常用的文本向量化的方法进行巩固，这里我们会完成一个文本情感分类的案例现在我们有一个经典的数据集IMDB数据集，地址：http://ai.stanford.edu/~amaas/data/sentiment/，这是一份包含了5万条流行电影的评论数据，其中训练集25000条，测试集25000条。数据格式如下：下图左边为名称，其中名称包含两部分，分别是序号和情感评分，（1-4

循环神经网络和自然语言处理介绍目标知道token和tokenization知道N-gram的概念和作用知道文本向量化表示的方法1. 文本的tokenization1.1 概念和工具的介绍tokenization就是通常所说的分词，分出的每一个词语我们把它称为token。常见的分词工具很多，比如：jieba分词：https://github.com/fxsjy/jieba清华大学的分词工具THULAC：https://github.com/thunlp/THULAC-Python

使用Pytorch实现手写数字识别目标知道如何使用Pytorch完成神经网络的构建知道Pytorch中激活函数的使用方法知道Pytorch中torchvision.transforms中常见图形处理函数的使用知道如何训练模型和如何评估模型1. 思路和流程分析流程：准备数据，这些需要准备DataLoader构建模型，这里可以使用torch构造一个深层的神经网络模型的训练模型的保存，保存模型，后续持续使用模型的评估，使用测试集，观察模型的好坏2. 准备训练集和测试集准备数据集

Pytorch中的数据加载## 目标1. 知道数据加载的目的2. 知道pytorch中Dataset的使用方法3. 知道pytorch中DataLoader的使用方法4. 知道pytorch中的自带数据集如何获取## 1. 模型中使用数据加载器的目的在前面的线性回归模型中，我们使用的数据很少，所以直接把全部数据放到模型中去使用。但是在深度学习中，数据量通常是都非常多，非常大的，如此大量的数据，不可能一次性的在模型中进行向前的计算和反向传播，经常我们会对整个数据进行随机的打乱..