文章分类 - PyTorch
摘要：1、torch.cat()：是将两个张量（tensor）拼接在一起。 C = torch.cat( (A,B),0 ) #按维数0拼接（行数增加） C = torch.cat( (A,B),1 ) #按维数1拼接（列数增加） 2、tensor.expand_as()：把一个tensor变成和函数括号
阅读全文
摘要：detach()和data生成的都是无梯度的纯tensor,并且通过同一个tensor数据操作，是共享一块数据内存。 1 import torch 2 t1 = torch.tensor([0,1.],requires_grad=True) 3 t2=t1.detach() 4 t3=t1.data
阅读全文
摘要：有两种方式把模型的参数梯度设成0： model.zero_grad() optimizer.zero_grad()#当optimizer=optim.Optimizer(model.parameters())时，两者等效 如果只想要把某一Variable的梯度置为0，只需要以下语句： Variabl
阅读全文
摘要：前言： 什么是激活函数？它在神经网络模型中是如何使用的？ 激活函数（Activation functions）对于人工神经网络模型去学习、理解非常复杂和非线性的函数来说具有十分重要的作用。它们将非线性特征引入到我们的网络中。其目的是将A-NN模型（A-NN：它是一个强健有力的，同时也是非常复杂的机器
阅读全文
摘要：前言： def __init__(self, n_gmm=2, latent_dim=3): # n_gmm=gmm_k=4 super(DaGMM, self).__init__() # (固定写法) layers = [] layers += [nn.Linear(118, 60)] layer
阅读全文
摘要：前言： self.dagmm.train() # self.dagmm = DaGMM(self.gmm_k) enc, dec, z, gamma = self.dagmm(input_data) 在Pytorch中没用调用模型的forward()前向传播，只有实例化把参数传入。 定义一个模型：
阅读全文
摘要：前言： self.dagmm.train() #self.dagmm = DaGMM(self.gmm_k) .DaGMM中没有重写父类的train方法 Module类的构造函数： 1 def __init__(self): 2 #初始化模块内部状态，由nn.Module和ScriptModule共
阅读全文
摘要：前言： def to_var(self, x, volatile=False): #torch.Size([1024, 118]) if torch.cuda.is_available(): x = x.cuda() return Variable(x, volatile=volatile) cla
阅读全文
摘要：前言： 1 class DaGMM(nn.Module): # 自定义的模型需要继承nn.Module(固定写法) 2 """Residual Block(残块).""" 3 4 def __init__(self, n_gmm=2, latent_dim=3): 5 super(DaGMM, se
阅读全文
摘要：一、PyTorch基础 PyTorch是数值计算方面其中一个很流行的库，同时也是机器学习研究方面最广泛使用的框架。在很多方面，它和NUmpy非常相似，但是它可以不需要代码做太多改变的情况下，在CPUs、GPUs、TPUs上实现计算，以及非常越容易实现分布式计算的操作。PyTorch的其中一个最重要的
阅读全文
摘要：前言：torch.nn.Sequential是一个Sequential容器，模块将按照构造函数中传递的顺序添加到模块中。通俗的话说，就是根据自己的需求，把不同的函数组合成一个（小的）模块使用或者把组合的模块添加到自己的网络中。主要有三种使用方法（见二）。也就是说我们可以使用torch.nn.Sequ
阅读全文
浙公网安备 33010602011771号