pytorch基本使用【笔记】

部署运行你感兴趣的模型镜像

这个是相当于笔记的性质,是为了记录一些pytorch的基本使用。
高强度CV,但是基本代码都是经过自己的试运行的。

OneHot

这个是可以通过给定int类型的一维Tensor,然后作为索引,从指定的矩阵中取值。可以用于生成onehot label。

import torch

ones = torch.eye(10)
print(ones)
label_index = torch.Tensor([1,2,3,4]).long()
onehot = ones.index_select(0,label_index)
print(onehot)

torch.max(Tensor,dim)

输入的第一个是Tensor,第二个就是取最大值的维度。

T = torch.Tensor([[1,2,3],[3,3,9],[88,48,0]])
value,index = torch.max(T,1)
print(value)
print(index)

矩阵乘法

torch.mm(A,B)

您可能感兴趣的与本文相关的镜像

PyTorch 2.5

PyTorch 2.5

PyTorch
Cuda

PyTorch 是一个开源的 Python 机器学习库,基于 Torch 库,底层由 C++ 实现,应用于人工智能领域,如计算机视觉和自然语言处理

### PyTorch 学习笔记与技术总结 PyTorch 是一个功能强大的开源机器学习框架,广泛应用于深度学习领域。以下是关于 PyTorch 的一些核心知识点和技术总结: #### 1. 环境配置 在开始使用 PyTorch 前,需完成必要的环境配置工作。这通常包括安装 Python、设置 GPU 支持以及导入所需的依赖项[^2]。 #### 2. 数据加载与处理 PyTorch 提供了灵活的数据加载方式,主要包括 `torch.utils.data.Dataset` 和 `torch.utils.data.DataLoader` 这两个库函数。通过这些工具可以高效地管理数据的组织形式和批量加载过程[^2]。 #### 3. 可视化工具 为了更好地监控模型训练的过程,PyTorch 集成了 TensorBoard 工具。该工具能够实时绘制损失曲线、显示权重分布以及其他重要指标,从而帮助开发者调整超参数并优化性能[^2]。 #### 4. 构建神经网络 构建神经网络是 PyTorch 中的核心部分之一。以下是一些常用的模块及其作用: - **基本骨架**: 使用 `nn.Module` 类定义自定义网络结构。 - **卷积操作**: 利用 `torch.nn.functional` 实现动态卷积计算。 - **卷积层**: 调用 `torch.nn.Conv2d` 创建二维卷积层。 - **池化层**: 应用 `torch.nn.MaxPool2d` 执行最大池化操作。 - **填充层**: 设置边界扩展策略以控制特征图大小变化。 - **非线性激活函数**: 如 ReLU (`torch.nn.ReLU`) 或 Sigmoid (`torch.nn.Sigmoid`)。 - **全连接层**: 即线性变换层,可通过 `torch.nn.Linear` 来实现。 - **序列容器**: 将多个层按顺序组合起来形成完整的网络架构,推荐使用 `torch.nn.Sequential`。 #### 5. 设备分配原则 对于大规模计算任务而言,合理安排 CPU 和 GPU 上的任务至关重要。一般情况下会将数据读取及预处理阶段留在 CPU 上执行;而涉及大量矩阵乘法等密集型运算则交由 GPU 处理,以此达到最大化硬件效能的目的[^3]。 #### 6. 模型评估与保存 经过充分训练后的模型可以通过测试集来验证其泛化能力,并最终导出为可部署的形式以便实际应用中调用。常用方法有 `.eval()` 方法切换至推理模式以及 `torch.save(model.state_dict(), PATH)` 函数持久化模型状态字典[^2]。 ```python import torch from torch import nn class SimpleNet(nn.Module): def __init__(self): super(SimpleNet, self).__init__() self.fc = nn.Linear(10, 1) def forward(self, x): return torch.sigmoid(self.fc(x)) model = SimpleNet() print(model) ``` 以上代码片段展示了一个简单的前馈神经网络实例,其中包含了输入维度为 10 输出维度为 1 的单隐藏层感知机模型定义[^2]。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值