强化学习-python - 随笔分类 - 菜小疯

pytorch实现神经网络分类功能

摘要：pytorch实现神经网络分类功能以下代码使用pytorch实现神经网络分类功能： import torch import torch.nn.functional as F import matplotlib.pyplot as plt # make fake data n_data = torc 阅读全文

posted @ 2021-10-23 16:20 菜小疯阅读(306) 评论(0) 推荐(0)

比较不同的优化器

摘要：比较不同的优化器以下代码比较了神经网络不同优化器的收敛速度： import torch import torch.utils.data as Data import torch.nn.functional as F from torch.autograd import Variable impor 阅读全文

posted @ 2021-10-13 10:51 菜小疯阅读(300) 评论(0) 推荐(0)

批数据训练

摘要：批数据训练拥有大量数据时，可把数据分批送入神经网络训练。分批代码如下： import torch import torch.utils.data as Data if __name__ == '__main__': BATCH_SIZE = 5 x = torch.linspace(1, 10, 阅读全文

posted @ 2021-10-13 09:13 菜小疯阅读(122) 评论(0) 推荐(0)

保存和读取神经网络

摘要：保存和读取神经网络神经网络被训练到一个状态以后，我们希望能够把这个状态保存下来供下次使用。以下代码使用两种方式来保存和读取神经网络： import numpy as np import torch from torch.autograd import Variable torch.manual_ 阅读全文

posted @ 2021-10-12 20:39 菜小疯阅读(170) 评论(0) 推荐(0)

用Sequential快速搭建pytorch神经网络

摘要：用Sequential快速搭建pytorch神经网络在pytorch实现回归一文中，搭建神经网络分为两步，首先确定每层结构，然后规定数据流向。以下代码用Sequential类一步快速搭建神经网络： import torch from torch.autograd import Variable 阅读全文

posted @ 2021-09-03 17:02 菜小疯阅读(244) 评论(0) 推荐(0)

pytorch实现回归

摘要：pytorch实现回归回归此处回归即用一根曲线近似表示一堆离散点的轨迹。上图即离散点，下图中的红线即表示离散点轨迹的曲线，求这一曲线的过程就是回归。 pytorch实现 import torch from torch.autograd import Variable import torch. 阅读全文

posted @ 2021-09-03 16:06 菜小疯阅读(236) 评论(0) 推荐(0)

pytorch中的激励函数

摘要：pytorch中的激励函数以下代码绘制pytorch中的激励函数： import torch from torch.autograd import Variable import torch.nn.functional as F import matplotlib.pyplot as plt im 阅读全文

posted @ 2021-09-02 19:03 菜小疯阅读(120) 评论(0) 推荐(0)

Variable类

摘要：Variable类 Variable类在pytorch中定义，以下代码演示Variable的用法： import torch from torch.autograd import Variable import numpy tensor = torch.FloatTensor([[1, 2], [3 阅读全文

posted @ 2021-09-02 17:36 菜小疯阅读(91) 评论(0) 推荐(0)

pytorch vs numpy

摘要：pytorch vs numpy 以下代码比较pytorch和numpy的基本运算功能： import numpy as np import torch np_data = np.arange(6).reshape((2, 3)) print('numpy data:', np_data) torc 阅读全文

posted @ 2021-09-02 16:46 菜小疯阅读(213) 评论(0) 推荐(0)

多进程5

摘要：多进程5 本文展示在多进程中创建与使用共享变量和锁的步骤。共享变量 import multiprocessing as mp import time def job(v, add_num): for i in range(10): time.sleep(0.1) v.value += add_nu 阅读全文

posted @ 2021-08-29 15:55 菜小疯阅读(36) 评论(0) 推荐(0)

多进程4

摘要：多进程4 本文使用multiprocessing中的Pool类来进行任务分配和保存返回值。具体是使用Pool类的两个方法，分别是map方法和apply_async方法。 map方法以下代码使用map方法: import multiprocessing as mp def job(a): retu 阅读全文

posted @ 2021-08-29 10:52 菜小疯阅读(58) 评论(0) 推荐(0)

多进程3

摘要：多进程3 以下代码比较了多线程、多进程和普通顺序执行所耗费的时间： import multiprocessing as mp import threading import time def job(): a = 0 for i in range(10000): for j in range(100 阅读全文

posted @ 2021-08-28 20:50 菜小疯阅读(45) 评论(0) 推荐(0)

多进程2

摘要：多进程2 与线程类似，进程无法返回一个值，我们还是可以使用Queue来返回值。以下代码使用了Queue： import multiprocessing as mp def job1(qq, x): x = x * 2 qq.put(x) if __name__ == '__main__': q = 阅读全文

posted @ 2021-08-28 17:35 菜小疯阅读(20) 评论(0) 推荐(0)

多进程

摘要：多进程以下代码创建一个进程： import multiprocessing as mp def job1(): print('this is a process') if __name__ == '__main__': p1 = mp.Process(target=job1) p1.start() 阅读全文

posted @ 2021-08-28 15:57 菜小疯阅读(46) 评论(0) 推荐(0)

多线程4

摘要：多线程4 为了等待线程执行完毕，除了多线程2中提到的join，还可以使用本文的lock。以下代码展示未使用lock的情况： import threading def thread1_job(): global A for i in range(10): A += 1 print('thread1' 阅读全文

posted @ 2021-08-28 12:02 菜小疯阅读(44) 评论(0) 推荐(0)

多线程3

摘要：多线程3 线程任务无法像函数一样用return返回一个值，Queue类是解决这个问题的一种方法。以下代码用Queue方法返回线程任务的处理结果： import threading from queue import Queue def thread1_job(lis, q): for i in r 阅读全文

posted @ 2021-08-28 10:49 菜小疯阅读(28) 评论(0) 推荐(0)

多线程2

摘要：多线程2 两个线程以下代码演示两个线程同时进行的情况： import threading import time def thread1_job(): print("thread1 start") for i in range(10): time.sleep(0.1) print('thread1 阅读全文

posted @ 2021-08-27 22:38 菜小疯阅读(31) 评论(0) 推荐(0)

多线程

摘要：多线程以下代码实现添加一个进程并运行： import threading def thread_job(): print("This is an added Thread, and I feel good") def main(): added_thread = threading.Thread( 阅读全文

posted @ 2021-08-27 17:03 菜小疯阅读(18) 评论(0) 推荐(0)

随笔分类 - 强化学习-python