Student D.-优快云博客

原创 torch.nn.Sequential的使用详解

对于需要复杂拓扑结构（如分支、残差连接、条件逻辑等）的模型，可以通过自定义。不仅支持 PyTorch 的内置层，还可以加入自定义的操作或函数。支持 PyTorch 中几乎所有的内置层和模块，因为它是基于。中，因为它们在训练步骤中被单独调用。构建的，而 PyTorch 中的每个神经网络层都是。会按照定义的顺序依次执行传入的模块。的子类，但通常不会放在。可以先定义一个有序字典（

2024-11-23 11:11:57 956

原创 load_diabetes导入的糖尿病数据集的使用和介绍

提供的是一个内置的回归分析数据集，适合用于回归任务的练习或模型性能测试。以下是如何高效使用该数据集的详细指南。

2024-11-23 10:28:15 1194

原创在验证/测试阶段没有反向传播但PyTorch 默认会计算梯度，可以通过 torch.no_grad() 禁用

在没有显式关闭梯度计算的情况下，即使你在验证/测试阶段没有进行反向传播，PyTorch 默认还是会计算和存储梯度。即使在验证/测试阶段没有反向传播，PyTorch 默认会计算梯度，但这是可以通过。这样不仅可以节省内存，还能加快推理速度，是一个推荐的实践方法。上下文管理器来显式关闭梯度计算。在验证/测试阶段，我们并不需要梯度，因此可以使用。，你可以通知 PyTorch，当前不需要计算梯度。

2024-11-22 10:12:44 383

是分别为训练和测试阶段设计的核心方法，切换模式可以确保模型的行为符合场景需求。训练和测试的交替执行是深度学习模型优化和评估的标准流程。，Dropout 和 BatchNorm 的行为会和训练时一致，这会引入随机性，导致测试结果不稳定甚至不准确。调用的，这是一个标准的深度学习模型训练流程。，以避免存储梯度，节省显存并加速推理。确保模型处于推理模式，不受训练模式中的随机性影响。确保模型处于训练模式，可以正常训练和优化参数。在验证/测试阶段，你可以使用。：如果在测试阶段忘记调用。

2024-11-22 10:11:05 377

原创 model.train() 和 model.eval() 在 PyTorch 中的原理以及它们的使用场景。

和在 PyTorch 中的原理以及它们的使用场景。

2024-11-22 10:07:25 373

原创 MNIST数据集的简单介绍

MNIST 数据集是一个非常经典的手写数字识别数据集，其中包含了图像和对应的标签对。这里我们从 MNIST 的存储格式到加载后的处理进行详细讲解。希望这个详细介绍能帮助你更好地理解 MNIST 数据集的结构和数据绑定的实现！如果有其他问题，欢迎继续讨论。MNIST 数据集以二进制文件的形式存储，包含以下四个文件（压缩后为。，是一种简单的二进制格式，设计用于存储多维数组。自动处理了这些二进制文件，简化了数据加载流程。用于批量加载数据并打乱顺序，适合用于训练过程。

2024-11-21 19:09:59 1543 1