weixin_43436587的博客

1 Faster RCNN2RPN 网络注意的点（1）两次reshape的作用将（n,18,37,50）改为（n,2,37*9,50）,然后做softmax（intput，1），dim=1，第一维是batch，对第二维进行softmax，如图，这样两两一组，能把每一个特征点都分成前景与背景。在这之后，再把维度改回去。...

1. softmax（input， dim=none）import torch.nn.functional as Fimport torcha = torch.randn((2,3,2))b = F.softmax(a,1)c = F.softmax(a,2)d = F.softmax(a,0)"""aOut[5]: tensor([[[ 1.8777, 0.8479], [-0.7809, 2.1866], [-0.5761, 0.6063]]

class torch.nn.Conv2d(in_channels,out_channels,kernel_size,stride=1,padding=0,dilation=1,groups=1,bias=True)输入: (N,C_in,L_in)输出: (N,C_out,L_out)输入输出的计算方式：Lout=floor((Lin+2padding−dilation(kernerlsize−1)−1)/stride+1)L_{out}=floor((L_{in}+2paddin

pytorch-Dataloader多进程使用出错此时在数据的调用之前加上if name == ‘main’:即可解决问题myset = TensorDataset(x_train,y_train) #这两个参数直接填进去，输入关键词会出错。myloader = DataLoader(dataset=myset, batch_size=1, shuffle=False)https://pytorch-cn.readthedocs.io/zh/latest/package_references/d.

转载torch.normal(means, std, out=None)means (Tensor) – 均值std (Tensor) – 标准差out (Tensor) – 可选的输出张量>>> n_data = torch.ones(5, 2)>>> print(n_data)tensor([[1., 1.], [1., 1.], [1., 1.], [1., 1.], [1.

根据pytorch中backward（）函数的计算，当网络参量进行反馈时，梯度是累积计算而不是被替换，但在处理每一个batch时并不需要与其他batch的梯度混合起来累积计算，因此需要对每个batch调用一遍zero_grad（）将参数梯度置0.另外，如果不是处理每个batch清除一次梯度，而是两次或多次再清除一次，相当于提高了batch_size，对硬件要求更高，更适用于需要更高batch_size的情况。 optimizer.zero_grad()