weixin_43869605的博客

注意：我这里提供的安装 方法，是解决直接使用pip安装报错安装不了的问题，并且Python环境已经搭建OK，这里我是以python3.10为例。注意：所有步骤都是傻瓜式操作，只是在安装选线的时候我们可以选择自定义安装，这样可以根据自己的要求选则那些不安装，不会的朋友建议全部选择。2. 安装torch和torchvision、torchaudio（选择上面下载好的whl文件进行安装）1. 下载torch和torchvision、torchaudio（注意：安装的cuda版本不能比上面的cuda版本高。

1. 函数介绍创建一个衡量目标和输出之间二进制交叉熵的标准。注意：一般使用之前需要使用激活函数将数据处理成0到1之间，一般使用sigmoid函数。2. 原理理解3. 代码import torchx = torch.randn(size=[2, 2])sig = torch.nn.Sigmoid()out_ = sig(x)target = torch.FloatTensor([[1, 0], [0, 1]])loss = torch.nn.BCELoss()loss

1. 函数介绍：功能： 计算对称正定矩阵的Cholesky分解。A 或对于成批的对称正定矩阵。 如果 upper 为 True ，则返回的矩阵 U 为上三角，分解形式为： A=U^TU 如果 upper 为 False ，则返回的矩阵 L 为下三角，分解形式为： A=LL^T 如果 upper 为 True ，并且A 是一组对称的正定矩阵，则返回的张量将由各个矩阵的上三角Cholesky因子...

1、对Tensor中的元素进行范围过滤2、常用用于梯度裁剪。即在发生梯度离散或者梯度爆炸时对梯度的处理import torcha = torch.rand(2, 2).mul_(10)print(a)print(a.clamp(2, 5))"""out：tensor([[4.4173, 6.0047], [3.4808, 4.6272]])tensor([[4.4173, 5.0000], [3.4808, 4.6272]])"""...

import torchimport torch.nn as nn'''input: AresnetV2: B = g(A) + f(A)Inception:B1 = f1(A)B2 = f2(A)B3 = f3(A)B3 = f4(A)concat([B1, B2, B3, B4])'''def ConvBNRelu(in_channel, out_channel, kernel_size): return nn.Sequential( nn.C.

1、网络结构构建：直接看代码'''ResNet-18 Image classfication for cifar-11 with PyTorchAuthor 'Sun-qian'.'''import torchimport torch.nn as nnimport torch.nn.functional as Fclass ResidualBlock(nn.Module): """ 定义一个残差模块，其中包含了一个主分支（left）和一个连接分支...

直接看案例：1、构建网络import torchimport torch.nn as nnimport torch.nn.functional as Fclass VGGbase(nn.Module): """ 构建类VGG网络结构 """ def __init__(self): super(VGGbase, self).__init__() # 3 * 28 * 28 (crop：32转成28大小) se

1、transforms.Compose()torchvision.transforms.Compose()类。主要作用是串联多个图片变换的操作。2、torch.utils.data.DataLoader()批训练，把数据变成一小批一小批数据进行训练。 DataLoader就是用来包装所使用的数据，每次抛出一批数据综合案例：from torchvision import transforms # 数据增强的包from torch.utils.da...

L1正则：参数绝对值的和L 2正则：参数的平方和（Pytorch自带，weight_decay）op = torch.optim.SGD(model.parameters(), lr=0.001, weight_decay=0.001)

案例：import torchimport torchvision.datasets as datasetimport torchvision.transforms as transformsimport torch.utils.data as data_utilsimport cv2# datatrain_data = dataset.MNIST(root='./mnist', train=True,

一、函数讲解nn.Linear(in_features, out_features)in_features：指的是输入的二维张量的大小，即输入的[batch_size, size]中的size。out_features：指的是输出的二维张量的大小，即输出的二维张量的形状为[batch_size，output_size]，当然，它也代表了该全连接层的神经元个数。Examples:: m = nn.Linear(20, 30) input = torch.randn(128, 20

案例：import torcha = torch.rand(4, 4)b = torch.rand(4, 4)print(a)print(b)out = torch.where(a > 0.5, a, b)print(out)a = torch.rand(4, 4)print(a)out = torch.index_select(a, dim=0, index=torch.tensor([0, 3]))print(out)print(out.shape)# 在...

一、Visdom1、Visdom是Pytorch的一个可视化工具：支持数值、图像、文本、视频、折线图等格式2、安装： pip install visdom3、启动 python -m visdom.server二、tensorboardX1、安装： pip install tensorboardX2、案例：from tensorboardX import SummaryWriterw = SummaryWrite...

案例：

定义网络模型可训练参数

案例：import torchclass Line(torch.autograd.Function): """ 自定义前向和反向传播 """ @staticmethod def forward(ctx, w, x, b): """ 前向传播 :param ctx: 上下文管理器 :param w: :param x: :param b: ...

案例：# 判断是否可以使用GPUif torch.cuda.is_available(): d = torch.device('cuda') a = torch.tensor([[1, 2], [3, 4]]) b = torch.ones_like(a, device=d) # b在GPU上操作 c = a.to(device=d) # c在GPU上操作 d = torch.add(a, b) print(d) print(...

案例：import torcha = torch.rand(size=[3,4])print(a)out = torch.chunk(a, 2, dim=0)print(out)a = torch.rand(size=[3,4])print(a)out = torch.split(a, 2, dim=0)print(out)a = torch.rand(size=[6,4])print(a)out = torch.split(a, [2,4], dim=0)p...

案例：import torcha = torch.rand(4, 4)b = torch.rand(4, 4)print(a)print(b)out = torch.where(a > 0.5, a, b)print(out)print('*' * 100)a = torch.rand(4, 4)print(a)out = torch.index_select(a, dim=0, index=torch.tensor([0, 3]))print(out)print..

函数汇总 torch.mean() 返回平均值 torch.sum() 返回总和 torch.prod() 计算所有元素的积 torch.max() 返回最大值 torch.min() 返回最小值 torch.argmax() 返回最大值排序的索引值 torch.argmin() 返回最小值排序的索引值 ...

案例：案例：import torcha = torch.rand(2,3)b = torch.rand(2,3)print(a)print(b)print(torch.eq(a, b))print(torch.equal(a, b))print(torch.ge(a, b))print(torch.gt(a, b))print(torch.le(a, b))print(torch.lt(a, b))# 排序a = torch.tensor(data=[[3, .

案例：import torcha = torch.rand(2, 2).mul_(10)print(a)print(torch.floor(a)) # 向下取整print(torch.ceil(a)) # 向上取整print(torch.round(a)) # 四舍五入print(torch.frac(a)) # 取小数部分"""tensor([[7.8476, 0.2960], [8.8300, 6.9507]])tensor([[7., 0.]

广播机制：张量参数可以自动扩展为相同大小广播机制需要满足两个条件： ① 每个张量至少有一个维度 ② 满足右对齐案例：a = torch.rand(2, 1)b = torch.rand(3)c = torch.add(a, b)print(a)print(b)print(c)"""tensor([[0.0121], [0.9789]])tensor([0.1547, 0.4282, 0.2488])tensor([[0...

案例：# 矩阵相乘有以下五种方式a = torch.ones(2,1)b = torch.ones(1,2)c = torch.matmul(a, b)print(c)print(torch.mm(a, b))print(a @ b)print(a.matmul(b))print(a.mm(b))"""tensor([[1., 1.], [1., 1.]])tensor([[1., 1.], [1., 1.]])tensor([[1., 1.]

案例：import torch# a = torch.rand(2, 1, 3) + torch.rand(3)a = torch.rand(2, 1) + torch.rand(3)print(a)a = torch.tensor(2)b = torch.tensor(3)c = torch.add(a, b)print(c) # 5print(a) # 2# 会修改原始值，add_函数a.add_(b)print(a) # 5"""out:tensor(5

案例：import torch# 创建一个二维的Tensora = torch.Tensor([[1, 2], [3, 4]]) # 这个可以创建一个空的Tesorprint(a)print(a.type())a = torch.tensor([[1, 2], [3, 4]]) # 这个创建一个空的会报错print(a)print(a.type())# 直接给形状# 系统会随机分配值a = torch.Tensor(2, 3)print(a)print(a.type())

案例：import torcht = torch.tensor(data=[2, 2], dtype=torch.float32, device=torch.device('cpu'))print(t)# 创建稀疏张量# 指定坐标i = torch.tensor([[0,1,2], [0,1,2]])# 指定坐标上的值v = torch.tensor([1,2,3])a = torch.sparse_coo_tensor(indices=i, values=v, size=[4