刷新
leidenalg包教程-1

博主头像 leidenalg包教程 安装 简单来说,可以使用pip install leidenalg直接安装。 也可以使用源码进行安装, 安装这个包需要C核心库igraph和python包python-igraph,然后可以通过python setup.py test安装 不建议Windows,使用源代码进 ...

用c++设计音效插件 : 前言

Designing Audio Effect Plugins in C++, 2nd Edition 总结: RackAFX 过时了,这个用了不合标的c++ ,没有用c++ 标准库 作者 开发了新的 ASPiK , 入门教程: www.willpirkle.com/support/video-tut ...

[Wireshark Lab v8.1] Lab:DNS

[Wireshark Lab v8.1] Lab 翻译与解题. 以下实验步骤均来自实验指导手册。 实验指导手册下载地址:Jim Kurose Homepage (umass.edu) Lab DNS 在图书的2.4章讲到了 Domain Name System(DNS)协议, 它将域名解析为 IP ...

8 个收入不菲的 Chrome 独立开发扩展

博主头像 有很多有价值的 Chrome 扩展程序可以为他们的开发人员赚钱。虽然大多数扩展程序没有列出他们的收入,但我们确实有一些公司和开发人员提供的信息。 最著名的是,专门制作浏览器扩展的公司 Honey 以 40 亿美元的价格卖给了 Paypal。 同样,语法检查扩展 Grammarly 以 10 亿美元的 ...

盘点5款远程控制软件

远程桌面软件,更准确地说是远程访问软件或远程控制软件,让你从另一台计算机上远程控制一台计算机。我所说的远程控制是指真正意义上的远程控制--你可以接管鼠标和键盘,将你所连接的电脑当作自己的电脑来使用。 1. Remote Utilities Remote Utilities是一个免费的远程访问程序。它 ...

Spring Boot服务中使用Kong Ingress控制器

博主头像 Kong Ingress Controller允许用户在现有的Kubernetes实施中包含Kong Gateway的功能,所有这些都不需要太多努力。 Spring Boot服务和Kubernetes 让我们假设你的功能团队已经将Spring Boot的使用标准化,用于API服务。由于你的团队的辛勤 ...

利用Tensorboard可视化模型、数据和训练过程

博主头像 在60分钟闪电战中,我们像你展示了如何加载数据,通过为我们定义的nn.Module的子类的model提供数据,在训练集上训练模型,在测试集上测试模型。为了了解发生了什么,我们在模型训练时打印了一些统计数据,以观察训练是否正在进行。但是,我们可以做的比这更好:PyTorch和TensorBoard的集 ...

到底什么是TORCH.NN?

博主头像 该教程是在notebook上运行的,而不是脚本,下载notebook文件。 PyTorch提供了设计优雅的模块和类:torch.nn, torch.optim, Dataset, DataLoader,以创建和训练神经网络。为了充分利用其功能,并根据问题进行自定义,需要充分理解它们做的是什么。为了提 ...

通过示例学习PYTORCH

博主头像 注意:这是旧版本的PyTorch教程的一部分。你可以在Learn the Basics查看最新的开始目录。 该教程通过几个独立的例子介绍了PyTorch的基本概念。 核心是:PyTorch提供了两个主要的特性: 一个n维的Tensor,与Numpy相似但可以在GPU上运行 构建和训练神经网络的自动微 ...

PyTorch 介绍 | 保存和加载模型

博主头像 本节我们将会看到如何保存模型状态、加载和运行模型预测 import torch import torchvision.models as models 保存和加载模型权重 PyTorch模型在一个称为 state_dict 的内部状态字典内保存了学习的参数,可以通过 torch.save实现这一过程 ...

PyTorch 介绍 | 优化模型参数

博主头像 既然已经有模型和数据了,是时候在数据上优化模型参数来训练、验证和测试它了。模型训练是一个迭代过程;在每一次迭代(epoch),模型会作出一个预测,计算其预测误差(loss),收集误差关于模型参数的导数(如前一节所述),并使用梯度优化这些参数。关于这一过程的详细信息,可以观看backpropagati ...

PyTorch 介绍 | 使用 TORCH.AUTOGRAD 自动微分

博主头像 训练神经网络时,最常用的算法就是反向传播。在该算法中,参数(模型权重)会根据损失函数关于对应参数的梯度进行调整。 为了计算这些梯度,PyTorch内置了名为 torch.autograd 的微分引擎。它支持任意计算图的自动梯度计算。 一个最简单的单层神经网络,输入 x,参数 w 和 b,某个损失函数 ...