PyTorch技巧记录

最新推荐文章于 2025-12-04 14:13:28 发布
原创 最新推荐文章于 2025-12-04 14:13:28 发布 · 112 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #pytorch

本文将深入探讨 PyTorch 中 contiguous 函数的使用方法及其重要性。contiguous 在张量操作中扮演着关键角色，尤其是在进行数据预处理、模型训练及优化过程中。通过本文，读者可以了解到如何正确使用 contiguous 来确保张量内存布局连续，从而提高计算效率。
部署运行你感兴趣的模型镜像

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小技巧记录
weixin_41377325的博客
12-01 427
记录一下常用的网络操作小技巧 有三个相同结构的网络模型, 并且参数名也相同，将其中两个模型的参数取平均作为第三个模型的参数 。 只融合某一层。 # model # alice_model # bob_model # 网络参数 ['conv1.weight', 'conv1.bias', 'conv2.weight', 'conv2.bias', 'fc1.weight', 'fc1.bias', 'fc2.weight', 'fc2.bias'] # 只融合一层 with torch.no_
记录使用pytorch训练crnn
猫猫与橙子的博客
06-04 651
记录使用pytorch训练crnn
pytorch的技巧记录
random_repick的专栏
07-26 219
大于某数的索引
PyTorch学习记录——PyTorch进阶训练技巧
maximejia的博客
07-20 1175
Pytorch学习记录，希望能够继续熟悉Pytorch程序编写。
Pytorch常用技巧记录
tongshen的博客
12-02 879
Pytorch常用技巧记录 目录 文章目录Pytorch常用技巧记录1、指定GPU编号2、查看模型每层输出详情3、梯度裁剪（Gradient Clipping）4、扩展单张图片维度5、独热编码6、防止验证模型时爆显存7、学习率衰减8、冻结某些层的参数9、对不同层使用不同学习率10、模型相关操作11、Pytorch内置one_hot函数转载 1、指定GPU编号 设置当前使用的GPU设备仅为0号设备...
Pytorch进阶训练技巧
UIBE_day_day_up的博客
11-22 455
记录了包括自定义损失函数、动态调整学习率、使用预训练模型、半精度训练等进阶技巧
PyTorch进阶训练技巧
Alexa_的博客
07-20 864
pytorch高阶训练技巧
Pytorch使用和技巧
Amazing_Fly的博客
08-02 1253
pytorch学习笔记
Pytorch实用技巧
热门推荐
NEWPLAN的专栏
11-26 1万+
Pytorch实用技巧 手动搭建梯度 构造一个这样的函数：y=(x+1)*3 import torch.nn as nn import torch as th def show_tensor(tensor, name="None"): print("\n***********%s*************" % name) print("Tensor: ", tensor) ...
PyTorch技巧全解析：提升深度学习效率
资源摘要信息:"PyTorchTricks: PyTorch的一些技巧" PyTorch是一个广泛使用的开源机器学习库，主要用于深度学习和自然语言处理。它因其灵活性和易用性而受到许多数据科学家和研究人员的青睐。在深度学习项目中，使用...
Pytorch 中使用 Tensorboard 的技巧
BUPTer
11-13 1997
本文主要记录了如何在 pytorch 中利用 Tensorboard 可视化训练过程完整详细的 Tensorboard 可视化方法请看第 3 小节，精简版使用可直接看第 4 小节TensorBoard 是一组用于数据可视化的工具。它一开始包含在流行的开源机器学习库 Tensorflow 中，后来拓展到 Pytorch 库中。可视化模型的网络架构跟踪模型指标，如损失和准确性等检查机器学习工作流程中权重、偏差和其他组件的直方图显示非表格数据，包括图像、文本和音频将高维嵌入投影到低维空间。
PyTorch技巧分享：如何处理时间序列预测中的缺失数据
[PyTorch技巧分享：如何处理时间序列预测中的缺失数据](https://maelfabien.github.io/assets/images/ts2_11.jpg) # 1. 时间序列预测简介 时间序列预测是数据分析中的一个重要领域，它涉及到利用历史数据来预测未来...
【人工智能】【深度学习】④ Stable Diffusion核心算法解析：从DDPM到文本生成图像的飞跃
xiezhiyi007的专栏
12-02 1358
Stable Diffusion是AI绘画领域的革命性技术，其核心基于扩散模型：通过"拆快递"式的噪声添加（前向扩散）和"拼乐高"式的逐步去噪（逆向过程），实现从噪声到图像的构建。本文用快递分拣、乐高拼装等生活化类比，解析CLIP文本编码器（翻译文字指令）、VAE（图像压缩）和U-Net（智能拼图）三大核心组件。相比传统GAN模型，它避免模式崩溃，提升语义理解能力，成为文本生成图像的黄金标准。通过代码与架构图解析，帮助开发者快速掌握这项技术的核心逻辑。
RNN公式推导、案例实现及Python实现
m0_46670850的博客
12-01 852
RNN（循环神经网络）是一种专为序列数据设计的神经网络，通过循环传递隐藏状态实现对历史信息的记忆。本文详细介绍了RNN的理论基础，包括前向传播和反向传播的计算推导，并展示了RNN的5种典型结构（1-to-1、N-to-N、N-to-1、1-to-N和N-to-M）。文章分析了RNN的优点（时序依赖捕捉、参数共享、变长序列处理）和缺点（梯度消失、并行性差、长序列记忆有限）。最后给出了Python实现RNN的代码框架，包括数据生成、预处理和模型构建部分。通过理论推导和实例计算，帮助读者深入理解RNN的工作原理
[免费]基于Python的深度学习人脸表情识别系统(Keras卷积神经网络+OpenCV+PyQt)【论文+源码+SQL脚本】
java1234的博客
12-01 1163
[免费]基于Python的深度学习人脸表情识别系统(Keras卷积神经网络+OpenCV+PyQt)【论文+源码+SQL脚本】
深度学习理论推导--梯度下降法
weixin_43719312的博客
12-02 918
本文通过小猪体重增长的例子，生动解释了梯度下降法的原理。首先回顾线性回归的求解方法（最小二乘法和正规方程），指出非线性问题的局限性。然后以二元函数z=1+x+2y为例，通过微分推导证明：在微观尺度下，当增量方向与梯度方向一致时，函数增长最快。文中详细分析了不同方向上的增量变化，并用向量运算说明梯度方向的重要性。最后指出梯度向量∇z=[1,2]^T即为函数增长最快的方向，为后续讲解梯度下降法奠定了基础。
【动物识别系统】Python+TensorFlow+Django+人工智能+深度学习+卷积神经网络算法
子午的博客
12-01 433
动物识别系统，基于TensorFlow搭建Resnet50卷积神经网络算法，通过对4种常见的动物图片数据集（猫、鸡、马、狗）进行训练，最后得到一个识别精度较高的模型，然后搭建Web可视化操作平台。技术栈项目前端使用Html、CSS、BootStrap搭建界面。后端基于Django处理逻辑请求基于Ajax实现前后端数据通信选题背景与意义在人工智能技术蓬勃发展的当下，动物识别作为计算机视觉领域的重要应用方向，有着广泛的实际需求，如动物保护监测、智能安防等场景均需精准高效的动物识别能力。
【光伏功率预测】EMD 分解 + PCA 降维 + LSTM 的联合建模与 Matlab 实现
专注AI大模型,软件混淆,授权
12-01 1334
本文提出一种基于EMD-PCA-LSTM的光伏功率预测方法，通过多尺度分解与深度学习结合解决光伏功率的非线性、非平稳性问题。首先利用EMD将功率序列分解为不同时间尺度的IMF分量，再结合辐照度、温度等外部特征构建特征矩阵，通过PCA降维后输入LSTM网络进行预测。Matlab实现流程包括数据预处理、EMD分解、PCA降维、LSTM建模等步骤，并给出完整的代码框架。实验结果表明该方法能有效提高预测精度，RMSE、MAE等指标表现良好。该方法可扩展加入更多特征和深度学习结构，为光伏功率预测提供有效解决方案。
深入浅出卷积神经网络（CNN）：从LeNet到Vision Transformer的演进及其实战应用
最新发布
云雾J视界的博客
12-04 863
本文系统梳理卷积神经网络从LeNet到Vision Transformer的演进脉络，聚焦“为何选用ResNet而非VGG”这一典型面试问题，揭示其背后的技术选型逻辑。文章基于CVPR、ICLR等顶会论文及MLPerf等公开基准，深入剖析四代架构——奠基（LeNet/AlexNet）、深度爆发（VGG/ResNet）、效率觉醒（MobileNet）与注意力时代（ViT/ConvNeXt）的核心创新与工程权衡。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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