weixin_44607838的博客

pass

介绍在使用Pytorch时，我们经常需要对一些tensor进行形状的改变以满足神经网络对输入数据的维度要求，我们最常用的两种方式就是.view() 以及 .reshape(), 除此之外，还有一种方法是.resize_(), 这种方法不仅可以改变数据的形状，同时还可以做到数据的部分截取。在这篇博文中，我会将前两种方式，即.view()和.reshape()，作为主要的介绍对象。1.view()我们通过调用.view()方法返回的结果是原始张量数据的另一个视图，即返回的张量与原始张量共享基础数据（但是

CPU->GPU当我们需要训练一个复杂模型的时候，使用CPU来进行训练往往会花费非常多的时间。因此，一般情况下，我们都会选择在GPU (Graphics Process Unit)环境下进行训练，因为其支持高度的并行计算，可以有效地加快数据处理的速度，减少模型训练时间。Pytorch支持CUDA并行计算框架，该框架是由NVIDIA公司推出的基于自家GPU的并行计算框架。CUDA 环境检验如果我们希望在Pytorch实现GPU加速，首先我们需要确认GPU环境是否可用，我们可以使用如下命令来che

问题引入有些时候，我们需要对Tensor中的某些部分进行一些重新赋值的操作（即in-place operation)，但是如果该步骤涉及到一些需要计算梯度的叶子变量 (即requires_grad=True)时，Pytorch会报如下错误：a leaf Variable that requires grad has been used in an in-place operation, 原因是这种in-place operation是一种原位操作，是无法计算梯度的。比如下面这个简单的例子。import

起因最近在使用pytorch训练模型时，出现了loss下降非常缓慢的问题，想了很久都没有发现问题出在哪里。