YJYS_ZHX的博客

pytorch中tensor.expand()和tensor.expand_as()函数解读_wang xiang的博客-优快云博客

权重下载地址：https://data.lip6.fr/cadene/pretrainedmodels/模型框架下载地址：https://github.com/Cadene/pretrained-models.pytorch参考文章：pytorch 预训练模型集合（网络定义与预训练模型下载）

一、前（fei）言（hua）：  由于课题组服务器没联网（那点网速可以忽略不计），只好离线安装pytorch，毕竟平时也经常需要离线安装，真的是费了好大的劲。  之前安装过，都失败了，最终如何解决的呢？哈哈～自己又网购了二手显卡，装到主机连上网，舒舒服服的使用官网安装命令安装。   可是需要会的，永远躲不过去，不得已重新找方法。二、正（gan）文（huo）安装设备：ubuntu20.04+anaconda3安装版本：pytorch1.6，其他版本类似1、到pytorch官网：  http

1 导入库import torchimport torchvision.transforms as transformsimport osimport numpy as npfrom skimage import io, transformfrom torch.utils.data import Dataset,DataLoader2 数据增强【调用numpy的函数，数据类型是np.ndarray】1）水平随机翻转class RandomHorizontalFlip(): """

Python map() 函数 | 菜鸟教程https://www.runoob.com/python/python-func-map.htmlPython eval() 函数 | 菜鸟教程https://www.runoob.com/python/python-func-eval.html(2条消息) python代码实现K-means算法_食得咸鱼抵得渴的博客-优快云博客_python实现kmeanshttps://blog.youkuaiyun.com/weixin_41857483/article/

1 问题描述期望long类型，但是得到的是Int类型。2 分析经过查找，发现是标签出现了问题，在读取标签时，将其转化为long类型。numpy：array.astype()torch: tensor.type()

1 改变类型numpy：array.astype()torch: tensor.type()import numpy as npimport torchif __name__=="__main__": nn = np.array(1) tt = torch.tensor(1) nn.astype(dtype=np.long) nn.astype(dtype=np.int32) tt.float() tt.type(dtype=torch.flo

1 问题描述Input type (torch.FloatTensor) and weight type (torch.cuda.FloatTensor) should be the same输入input和参数weight类型应该一致。2 分析经过查找后，发现在读取图片和标签的时候，并没有对其类型进行转化，就可能根据图像本身的大小设置，代码中出现的类型刚开始是float32，后边有的图像是float64，导致输入与参数类型不匹配。3 结论读取图像和标签时，应该人为设定其类型，将所有的数据转化

class MyDataset(Dataset): def __init__(self): def __len__(self): def __getitem__(self, idx)： return sample自定义的Dataset，因为实现了__getitem_ _，因此可以通过像访问列表似的访问Dataset的对象。trainloader = torch.utils.data.DataLoader(dataset, batch_size=2, shuffl

实例：Pytorch-F.interpolate函数讲解：pytorch torch.nn.functional实现插值和上采样

Pytorch - Conv2d 卷积

torch.manual_seed(args.seed) #为CPU设置种子用于生成随机数，以使得结果是确定的if args.cuda: torch.cuda.manual_seed(args.seed)#为当前GPU设置随机种子；#如果使用多个GPU，应该使用torch.cuda.manual_seed_all()为所有的GPU设置种子。上面所说的固定指的是，在每次运行此程序时，程序后面产生的随机数与上次运行程序产生的随机数是相同的。参考文献：pytorch中的torch.manual_se

Docs » PyTorch之入门强化教程 » 保存和加载模型

总结：按元素相乘用torch.mul，二维矩阵乘法用torch.mm，batch二维矩阵用torch.bmm，batch、广播用torch.matmulif __name__=="__main__": a = torch.tensor([1, 2, 3]) b = torch.arange(0, 12).reshape((4, 3)) c = torch.tensor([4, 5, 6, 7]) d = torch.arange(0, 12).reshape((3, 4.

Pytorch中requires_grad_(), detach(), torch.no_grad()的区别tensor.data与tensor.detach（）相同之处是都不参与梯度计算，并且其与原数据共享数据内存。推荐使用detach。

import torch.backends.cudnn as cudnncudnn.benchmark = True设置这个 flag 可以让内置的 cuDNN 的 auto-tuner 自动寻找最适合当前配置的高效算法，来达到优化运行效率的问题。如果网络的输入数据维度或类型上变化不大，也就是每次训练的图像尺寸都是一样的时候，设置 torch.backends.cudnn.benchmark = True 可以增加运行效率；如果网络的输入数据在每次 iteration 都变化的话，会导致 cnDN

分类中常用到top1和top5的指标：top1是指 预测错误样本数/总样本数，此处的预测错误的样本是指 预测的最大概率对应的类别与真实类别不同；top5是指 预测错误样本数/总样本数，此处的预测错误的样本是指 预测的排序前五的概率对应的类别中没有真实类别。一般来讲，top5 error要小于top1 error，排序前五的概率中没有真实标签几率小。有的博客解释需要top5 error是因为人工标记可能出现偏差，因此要放宽标准。【torch.topk函数】目的：求取tensor中某个dim的排序前

损失函数的定义为：loss = nn.MarginRankingLoss(margin=0.5,reduction='none')#reduction ：[ 'none' | 'mean' | 'sum']损失函数的使用：x1 = torch.tensor([1,2,3,4],requires_grad=True, dtype=torch.float32)x2 = torch.tensor([3,4,5,6], requires_grad=True, dtype=torch.float32).

F.nll_loss计算方式是下式，在函数内部不含有提前使用softmax转化的部分；nn.CrossEntropyLoss内部先将输出使用softmax方式转化为概率的形式，后使用F.nll_loss函数计算交叉熵。也就是：CrossEntropyLoss()=log_softmax() + NLLLoss() 注意：两个函数的输入分别是input和target，input是网络预测的输出，形状为(batch_size, pro)，其中pro为class的个数；target是标签，不

待写

导入自定义数据来源官方教程数据下载链接：https://download.pytorch.org/tutorial/faces.zip1、导入库import matplotlib.pyplot as pltimport osimport numpy as npimport pandas as pdimport warningsimport torchsnooperfrom torch.utils.data import Dataset, DataLoaderimport pandas

场景在进行基础运算时，常常遇到广播机制，特别是创建网络，对网络输出特征图进行加权整和的时候，需要对一个通道设定一个权重。广播机制进行基础运算的时候，遇到±*但是tensor的shape不一致时，可能会发生广播。发生广播的情况：两个tensor的shape对应起来看，从最后维度开始看，要么其中一个缺少对应的维度，要么其中一个的维度为1，或者两个tensor对应的维度相同。最终形成的tensor的shape是两个tensor的shape中对应位最大的那个。代码一维与二维：a = torc

安装：pip install torchsummary使用：输入为模型、输入尺寸、批数量、设备from torchsummary import summarysummary(model, input_size, batch_size=-1, device="cuda")使用时需要注意，默认device=‘cuda’，如果是在‘cpu’，那么就需要更改。不匹配就会出现下面的错误：RuntimeError: Input type (torch.cuda.FloatTensor) and wei

一、张量的创建很好的总结：PyTorch中张量的创建方法二、张量的操作tensor.squeeze() 与 torch.squeeze()x = torch.linspace(0, 10, 20).reshape(4,5)x = x.unsqueeze(dim=0)x = x.unsqueeze(dim=0)print(x.shape)print(torch.squeeze(x, dim=0).shape)#output>>>torch.Size([1, 1, 4,