pytorch-torch参数使用 1.torch.cat(维度串接) 2. torch.backend.cudnn.benchmark(加速优化计算)
摘要：1. torch.cat(data, axis) # data表示输入的数据, axis表示进行串接的维度 t = Test() t.num = 50 print(t.num) a = torch.tensor([[1, 1]]) b = torch.tensor([[2, 2]]) x = []
阅读全文
posted @
2020-04-22 10:57
python我的最爱
阅读(1381)
推荐(0) 编辑
pytorch-使用torch.utils.data.DataLoader, __iter__, ___getitem__来模拟batch数据的处理过程
摘要：使用__iter__, __getitem__来模拟数据处理部分 import torch.utils.data class Model(): def __init__(self, animal_list): self.animal_list = animal_list # 根据迭代batch_si
阅读全文
posted @
2020-04-20 16:26
python我的最爱
阅读(1151)
推荐(1) 编辑
pytorch-使用.apply 和 init.normal_()模拟net网络的参数初始化过程
摘要：# 构建apply函数体 from torch.nn import init import torch class A: def __init__(self): self.weight = torch.tensor([0.0, 0.0]) self.bias = 0 pass def apply(s
阅读全文
posted @
2020-04-20 16:17
python我的最爱
阅读(3426)
推荐(0) 编辑
pytorch-第五章使用迁移学习实现分类任务-torchvison
摘要：torchvision 主要是由三大模块组成, model, transforms, datasets transforms 主要可以进行数据增强 datasets 主要下载一些常用的数据集如mnist数据集 model 主要是将原来的模型进行下载 第一部分: 数据集的准备工作 第一步: 使用tra
阅读全文
posted @
2020-04-16 16:23
python我的最爱
阅读(826)
推荐(0) 编辑
pytorch-第二章神经网络实战及回归任务-气温神经网络任务(简单版)
摘要：相比于上一个版本，这个版本引入了cost = torch.nn.MSELoss(reduction=True) 和 optimizer(Adam)优化器 第一步: 进行特征的可视化操作 import pandas as pd import numpy as np import datetime im
阅读全文
posted @
2020-04-08 00:04
python我的最爱
阅读(703)
推荐(0) 编辑
pytorch-第二章神经网络实战及回归任务-气温神经网络回归任务
摘要：第一步: 进行特征的可视化操作 import pandas as pd import numpy as np import datetime import matplotlib.pyplot as plt features = pd.read_csv('temps.csv') # 可视化图形 pri
阅读全文
posted @
2020-04-07 23:42
python我的最爱
阅读(1349)
推荐(0) 编辑
pytorch-第一章基本操作-强大的hub模块
摘要：使用torch的hub模块载入模型，输入数据进行模型的结果输出，对输出的结果做可视化处理 ## GITHUB https://github.com/pytorch/hub import torch model = torch.hub.load('pytorch/vision:v0.4.2', 'de
阅读全文
posted @
2020-04-06 23:36
python我的最爱
阅读(2194)
推荐(0) 编辑
pytorch-第一章基本操作-常见tensor类型
摘要：# 0:scaler 一个值 # 1:vector 一个列 # 2:matrix 多个特征 # 3:n-dimensional tensor # 0:scaler # 1:vector # 2:matrix # 3:n-dimensional tensor import torch from tor
阅读全文
posted @
2020-04-06 23:17
python我的最爱
阅读(680)
推荐(0) 编辑
pytorch-第一章基本操作-线性拟合(GPU版本)
摘要：第一步:构造数据 import numpy as np import os x_values = [i for i in range(11)] x_train = np.array(x_values, dtype=np.float32).reshape(-1, 1) y_values = [i *
阅读全文
posted @
2020-04-06 22:58
python我的最爱
阅读(651)
推荐(0) 编辑
pytorch-第一章基本操作-线性回归模型
摘要：第一步:构造数据 import numpy as np import os x_values = [i for i in range(11)] x_train = np.array(x_values, dtype=np.float32).reshape(-1, 1) y_values = [i *
阅读全文
posted @
2020-04-06 22:53
python我的最爱
阅读(605)
推荐(0) 编辑
pytorch-第一章基本操作-自动求导
摘要：使用目标对象的.backward()进行反向梯度求导 import torch x = torch.randn(3, 4, requires_grad=True) print(x) b = torch.randn(3, 4, requires_grad=True) t = x + b y = t.s
阅读全文
posted @
2020-04-06 18:51
python我的最爱
阅读(472)
推荐(0) 编辑
pytorch-第一章基本操作-基本使用方法 (1.torch.empty, 2.torch.rand, 3.torch.zeros, 4.torch.tensor, 5.x.new_ones，6.torch.rand_like, 7.torch.randn, 8.torch.from_numpy, 9.x.view(改变维度))
摘要：import torch x = torch.empty(5, 3) # 生成空的矩阵 print(x) x = torch.rand(5, 4) # 生成随机矩阵 print(x) x = torch.zeros(5, 4, dtype=torch.long) # 生成空矩阵 print(x) x
阅读全文
posted @
2020-04-06 17:33
python我的最爱
阅读(2643)
推荐(0) 编辑
