cltt - 博客园

实现简单的straight-through estimator(STE)（pytorch版）

摘要： import torch input = torch.randn(4,requires_grad = True) output = torch.sign(input) loss = output.mean() loss.backward() print(input) print(input.grad 阅读全文

posted @ 2020-09-09 17:35 cltt 阅读(1538) 评论(0) 推荐(0)

Top-1准确率和Top-5准确率

摘要：那Top-1 Accuracy和Top-5 Accuracy是指什么呢？区别在哪呢？首先是TOP-5正确率，举个例子，比如你训练好了一个网络，你要用这个网络去进行图片分类任务，假设要分类的数目有50类，那么当我们进行测试时，输入一张图片，网络会依次输出这50个类别的概率，当所有图片测试完成后，那么阅读全文

posted @ 2020-09-09 16:03 cltt 阅读(2789) 评论(0) 推荐(0)

softmax函数

摘要： softmax用于多分类过程中，它将多个神经元的输出，映射到（0,1）区间内，可以看成概率来理解，从而来进行多分类！假设我们有一个数组，V，Vi表示V中的第i个元素，那么这个元素的softmax值就是 softmax直白来说就是将原来输出是3,1,-3通过softmax函数一作用，就映射成为(0, 阅读全文

posted @ 2020-09-08 09:08 cltt 阅读(460) 评论(0) 推荐(0)

pytorch中函数名后有下划线和没有下划线

摘要：一般来说，在pytorch中如果对tensor的一个函数后加上了下划线，则表明这是一个in-place类型，所谓in-place类型是指在一个tensor上操作了之后，是直接修改了这个tensor，还是返回一个新的tensor，而旧的tensor并不修改。例如： clamp和clamp_ x = 阅读全文

posted @ 2020-09-05 12:23 cltt 阅读(708) 评论(0) 推荐(0)

torch.clamp() 函数

摘要： torch.clamp(input, min, max, out=None) → Tensor 将输入input张量每个元素的夹紧到区间 [min,max][min,max]，并返回结果到一个新张量。操作定义如下： | min, if x_i < miny_i = | x_i, if min <= 阅读全文

posted @ 2020-09-05 12:19 cltt 阅读(5631) 评论(0) 推荐(0)

pytorch中tensor.mean(axis, keepdim)

摘要： 1 import numpy as np 2 import torch 3 4 x=[ 5 [[1,2,3,4], 6 [5,6,7,8], 7 [9,10,11,12]], 8 9 [[13,14,15,16], 10 [17,18,19,20], 11 [21,22,23,24]] 12 ] 1 阅读全文

posted @ 2020-09-05 10:55 cltt 阅读(2444) 评论(0) 推荐(0)

@staticmethod

摘要： python staticmethod 返回函数的静态方法。该方法不强制要求传递参数，如下声明一个静态方法： class C(object): @staticmethod def f(arg1, arg2, ...): ... 以上实例声明了静态方法 f，从而可以实现实例化使用 C().f()，当阅读全文

posted @ 2020-09-04 17:23 cltt 阅读(165) 评论(0) 推荐(0)

Pandas 简介

摘要：学习目标：大致了解 pandas 库的 DataFrame 和 Series 数据结构存取和处理 DataFrame 和 Series 中的数据将 CSV 数据导入 pandas 库的 DataFrame 对 DataFrame 重建索引来随机打乱数据基本概念以下行导入了 pandas A 阅读全文

posted @ 2020-09-03 09:44 cltt 阅读(259) 评论(0) 推荐(0)

pytorch 不同版本对应的cuda

摘要：参考官网： https://pytorch.org/get-started/previous-versions/ 查看cuda版本：cat /usr/local/cuda/version.txt torch、torchvision、cuda 、python对应版本匹配如何解决Pytorch的GUP 阅读全文

posted @ 2020-09-02 12:40 cltt 阅读(14093) 评论(0) 推荐(0)

机器学习基础概述

摘要：实用特征：可观察且可量化 L2损失：平方误差均方误差 (MSE) ：指的是每个样本的平均平方损失。要计算 MSE，请求出各个样本的所有平方损失之和，然后除以样本数量虽然 MSE 常用于机器学习，但它既不是唯一实用的损失函数，也不是适用于所有情形的最佳损失函数。阅读全文

posted @ 2020-08-30 21:59 cltt 阅读(141) 评论(0) 推荐(0)