摘要：
代码： 阅读全文
摘要：
一、view函数 代码： 输出： 解释： 其中参数-1表示剩下的值的个数一起构成一个维度。 如上例中，第一个参数1将第一个维度的大小设定成1，后一个-1就是说第二个维度的大小=元素总数目/第一个维度的大小，此例中为3*4*5*7/1=420. 代码: 输出： 二、max函数 1.torch.max( 阅读全文
摘要：
代码： 性能比较图如下： 结论：RMSprop与Adam优化性能较好，SGD与Momentun较差 阅读全文
摘要：
1.将numpy矩阵转换为Tensor张量 2.将Tensor张量转化为numpy矩阵 3.将numpy转换为Variable 4.将Variable张量转化为numpy 阅读全文
摘要：
把要训练的数据转换成数据集，然后把数据集放到loader中加载，可以有效的帮助你迭代数据。 DataLoader 是 torch 给你用来包装你的数据的工具. 所以你要讲自己的 (numpy array 或其他) 数据形式装换成 Tensor, 然后再放进这个包装器中. 代码： 如果BATCH_SI 阅读全文
摘要：
1.保存神经网络 速度较慢 2.只保存神经网络参数 速度快，这种方式将会提取所有的参数, 然后再放到你的新建网络中 代码： 输出图： 阅读全文
摘要：
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 代码： 输出：结果不同 代码： 输出：结果相同 代码： 输出：结果不同，但再次运行a，b不变 阅读全文
摘要：
一、先看torch.squeeze() 这个函数主要对数据的维度进行压缩，去掉维数为1的的维度，比如是一行或者一列这种，一个一行三列（1,3）的数去掉第一个维数为一的维度之后就变成（3）行。 1.squeeze(a)就是将a中所有为1的维度删掉。不为1的维度没有影响。 2.a.squeeze(N) 阅读全文
摘要：
原来-方式一： 输出： 现在-方式二： 输出： 比较： 方式一适合于个性化的向前传播配置，如使用RNN。但是麻烦。 方式二搭建简单，省略了很多的过程 阅读全文