Trouvaille

摘要： 一、案例 1.保存方式1 保存模型结构+模型参数 2.保存方式1的陷阱 自己创建的模型，在加载的时候，需要import 3.保存方式2 保存模型参数（官方推荐） 比较1和2两种方式保存的内容的大小 terminal执行 ls -all 4.完整代码 模型保存 import torch import 阅读全文

摘要： 一、官网内容 模型 数据集 二、案例 分类模型：Vgg16 1.参数 pretrained：True->已经训练过的模型，并能在数据集上取得一个比较好的效果。 progress:True->显示下载进度条 2.代码 2.1 下载数据集ImageNet 下载需要的包 pip install scipy 阅读全文

摘要： 一、官方文档 torch.optimizer 优化器的定义 之后调用优化器的step方法 作用：就是利用得到的梯度对参数进行更新 相关优化器的算法 共同点：模型参数，学习速率，优化器自身的参数 二、案例 1. 代码 学习速率的设置：太大-模型不稳定，太小-速率太慢，一般由大到小设置 多个epoch进 阅读全文

摘要： 一、损失函数 作用：衡量实际输出和真实想要的结果之间的差距，越小越好 1. L1Loss 计算方法：每个对应值相减的绝对值求和，再取平均 案例 点击查看代码 import torch from torch.nn import L1Loss # 输入 inputs=torch.tensor([1,2, 阅读全文

摘要： 一、Sequential的使用 组合各个层 二、搭建小实战 1.网络结构 计算padding 需要经历两个线性层 2.代码 点击查看代码 import torch from torch import nn from torch.nn import Conv2d,MaxPool2d,Flatten,L 阅读全文

摘要： 一、正则化层 加快神经网络的训练速度 BATCHNORM2D C:代表channel 需要输入 二、Recurrent层 用于文字识别 三、Transformer层 四、线性层 使用比较多 举例： 代码 点击查看代码 import torchvision from torch import nn f 阅读全文

摘要： 一、补充padding层 补充：padding层，主要是用0或常数填充，可以自己查看官方文档 二、非线性激活函数 1.Relu函数 输入：N表示batchsize Inplace:是否对原来的结果进行替换 一般采用为False,保留原始数据 图像： 2.sigmoid函数 输入：N表示batchsi 阅读全文

摘要： 一、常用池化层 功能：减少模型的计算量 1.最大池化 卷积核区域取最大值作为结果 参数说明 输入输出都是四维：N是batch_size,C是channel ceil_model为True,保留不完整的部分，否则去掉 （下面案例中stride=3） 2.案例 矩阵的池化 点击查看代码 import t 阅读全文

摘要： 一、二维卷积 参数说明+公式（论文中一般看这个） 查看动态演示 效果: 二、案例 报错技巧：要找自己程序中的文档来改 代码 import torch import torchvision from torch import nn from torch.nn import Conv2d from to 阅读全文

摘要： 一、卷积函数 1.二维卷积 torch.nn.functional包含在torch.nn,是更详细的方法的解说 卷积核的运算 padding运算 2. 案例 代码 import torch import torch.nn.functional as F # 1. 输入张量（图片） input=tor 阅读全文