摘要：
PyTorch中对tensor的很多操作如sum,softmax等都可以设置dim参数用来指定操作在哪一维进行。PyTorch中的dim类似于numpy中的axis。 dim与方括号的关系 创建一个矩阵 a = torch.tensor([[1, 2], [3, 4]]) print(a) 输出： 阅读全文
摘要：
张量（Tensors）是一种类似于数组与矩阵的特殊数据结构，我们可以利用张量来表示一个模型的输入，输出以及模型的参数。张量与Numpy的数组十分类似，只是张量可以运行在GPUs等硬件加速器上。实际上，张量与Numpy数组通常可以共享一块内存，避免了复制数据的需要。另外，张量还具有自动微分的功能。 i 阅读全文
摘要：
axis: 以axis=0为例,则沿着第0个下标（最左边的下标）变化的方向进行操作，也就是将除了第0个下标外，其他两个下标都相同的部分分成一组，然后再进行操作例如一个3*3的二维数组A(3, 3)如果定义axis = 0，也就是说除了第一个下标可以不同，其他下标必须都相同，那么用C++的数组表示，分 阅读全文
摘要：
numpy(): Tensor.numpy():将Tensor转化为ndarray，这里的Tensor可以是标量或者向量（与item()不同）转换前后的dtype不会改变 代码： import torch import torch.nn as nn x = torch.Tensor([1,2]) p 阅读全文
摘要：
基本思想是通过网络层时，输入和输出的方差相同，包括前向传播和后向传播。 为啥需要进行xavier初始化： sigmoid激活函数： 参考博客： https://blog.csdn.net/dss_dssssd/article/details/83959474 原理： 使用均匀分布 用值填充输入张量结 阅读全文
摘要：
import torch criterion = torch.nn.MarginRankingLoss(margin = 0.3,reduction='mean') x1 = torch.Tensor([3,2]) x2 = torch.Tensor([1,4]) y = torch.Tensor( 阅读全文
摘要：
torch.nn.Embedding： 随机初始化词向量，词向量值在正态分布N(0,1)中随机取值。输入：torch.nn.Embedding(num_embeddings, – 词典的大小尺寸，比如总共出现5000个词，那就输入5000。此时index为（0-4999）embedding_dim, 阅读全文
摘要：
Ｂ 思想：dfs 答案: 55965365465060 #include<iostream> #include<stdio.h> #include<string.h> #include<vector> using namespace std; typedef long long ll; const 阅读全文
摘要：
C题 蛇形填数 答案: 761 代码: 简洁 #include<iostream> #include<stdio.h> #include<string.h> using namespace std; const int maxn = 50; int a[maxn][maxn]; int main() 阅读全文
摘要：
#include<iostream> #include<stdio.h> #include<string.h> using namespace std; int dp[7][7]; int ans=0; int dx[]={-1,1,0,0}; int dy[]={0,0,-1,1}; bool v 阅读全文