分类：Pytorch

2020
09-28

Pytorch数据拼接与拆分操作实现图解

1、cat：拼接直接合并数据2、stack拼接：与cat不同的是，stack创建了一个新的维度，在拼接的同时，给数据增加了类别。并且stack的所有数据维度必须一致。3、split拆分：通过数据长度进行拆分4、chunk拆分：与split不同的是：chunk是指定拆分的个数，将数据拆分为指定个数。以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持自学编程网。... 继续阅读 >

2020
09-28

Pytorch高阶OP操作where，gather原理

PyTorch是一个非常有可能改变深度学习领域前景的Python库。我尝试使用了几星期PyTorch，然后被它的易用性所震惊，在我使用过的各种深度学习库中，PyTorch是最灵活、最容易掌握的。一、where1）torch.where(condition,x,y)#condition是条件，满足条件就返回x，不满足就返回y2）特点，相比for循环的优点是：可以布置在GPU上运行二、gather1）官方解释：根据指定的维度和索引值来筛选值2）举例以上就是本文的全部内容，希望对大家... 继续阅读 >

2020
09-28

Pytorch十九种损失函数的使用详解

损失函数通过torch.nn包实现，1基本用法criterion=LossCriterion()#构造函数有自己的参数loss=criterion(x,y)#调用标准时也有参数2损失函数2-1L1范数损失L1Loss计算output和target之差的绝对值。torch.nn.L1Loss(reduction='mean')参数：reduction-三个值，none:不使用约简；mean:返回loss和的平均值；sum:返回loss的和。默认：mean。2-2均方误差损失MSELoss计算output和target之差的均方差。torch.nn.MSEL... 继续阅读 >

2020
09-27

jupyter notebook 调用环境中的Keras或者pytorch教程

1.安装插件，在非虚拟环境condainstallnb_condacondainstallipykernel2、安装ipykernel包，在虚拟环境下安装在Windows使用下面命令:激活环境并安装插件（这里的Keras是我的环境名，安装的时候换成自己的环境名即可）activatekerascondainstallipykernel在linux使用下面的命令：激活环境并安装插件sourceactivatekerascondainstallipykernel安装后的效果图如下：至此即可以愉快地使用环境中的Keras和pytorch了Ke... 继续阅读 >

2020
09-25

Windows+Anaconda3+PyTorch+PyCharm的安装教程图文详解

1.安装Anaconda3官网下载Anaconda3：https://www.anaconda.com/distribution/运行下载好的.exe文件Win+R调出运行对话框，输入cmd回车，输入python，如果出现python版本信息，表明安装成功。添加环境变量：高级系统设置->环境变量2.查看电脑显卡信息以Win10为例，控制面板->NVIDIA控制面板->帮助->系统信息->组件3.创建PyTorch环境卸载原来的pytorch和torchvision，之前没有安装则忽略这一步。Win+R，输入cmd，p... 继续阅读 >

2020
09-25

Pytorch 使用不同版本的cuda的方法步骤

由于课题的原因，笔者主要通过Pytorch框架进行深度学习相关的学习和实验。在运行和学习网络上的Pytorch应用代码的过程中，不少项目会标注作者在运行和实验时所使用的Pytorch和cuda版本信息。由于Pytorch和cuda版本的更新较快，可能出现程序的编译和运行需要之前版本的Pytorch和cuda进行运行环境支持的情况。比如笔者遇到的某个项目中编写了CUDAExtension拓展，而其中使用的cuda接口函数在新版本的cuda中... 继续阅读 >

2020
09-25

pytorch 中的重要模块化接口nn.Module的使用

torch.nn是专门为神经网络设计的模块化接口，nn构建于autgrad之上，可以用来定义和运行神经网络nn.Module是nn中重要的类，包含网络各层的定义，以及forward方法查看源码初始化部分：def__init__(self):self._backend=thnn_backendself._parameters=OrderedDict()self._buffers=OrderedDict()self._backward_hooks=OrderedDict()self._forward_hooks=OrderedDict()self._forward_pre_hooks=OrderedDict(... 继续阅读 >

2020
09-25

PyTorch中的C++扩展实现

今天要聊聊用PyTorch进行C++扩展。在正式开始前，我们需要了解PyTorch如何自定义module。这其中，最常见的就是在python中继承torch.nn.Module，用PyTorch中已有的operator来组装成自己的模块。这种方式实现简单，但是，计算效率却未必最佳，另外，如果我们想实现的功能过于复杂，可能PyTorch中那些已有的函数也没法满足我们的要求。这时，用C、C++、CUDA来扩展PyTorch的模块就是最佳的选择了。由于目前市面上大... 继续阅读 >

2020
09-24

PyTorch加载自己的数据集实例详解

数据预处理在解决深度学习问题的过程中，往往需要花费大量的时间和精力。数据处理的质量对训练神经网络来说十分重要，良好的数据处理不仅会加速模型训练，更会提高模型性能。为解决这一问题，PyTorch提供了几个高效便捷的工具，以便使用者进行数据处理或增强等操作，同时可通过并行化加速数据加载。数据集存放大致有以下两种方式：(1）所有数据集放在一个目录下，文件名上附有标签名，数据集存放格式如下：root/cat_dog/cat.01... 继续阅读 >

2020
09-23

Pytorch对Himmelblau函数的优化详解

Himmelblau函数如下：有四个全局最小解，且值都为0，这个函数常用来检验优化算法的表现如何：可视化函数图像：importnumpyasnpfrommatplotlibimportpyplotaspltfrommpl_toolkits.mplot3dimportAxes3Ddefhimmelblau(x):return(x[0]**2+x[1]-11)**2+(x[0]+x[1]**2-7)**2x=np.arange(-6,6,0.1)y=np.arange(-6,6,0.1)X,Y=np.meshgrid(x,y)Z=himmelblau([X,Y])fig=plt.figure("himm... 继续阅读 >

2020
09-23

Pytorch中的自动求梯度机制和Variable类实例

自动求导机制是每一个深度学习框架中重要的性质，免去了手动计算导数，下面用代码介绍并举例说明Pytorch的自动求导机制。首先介绍Variable，Variable是对Tensor的一个封装，操作和Tensor是一样的，但是每个Variable都有三个属性：Varibale的Tensor本身的.data，对应Tensor的梯度.grad，以及这个Variable是通过什么方式得到的.grad_fn，根据最新消息，在pytorch0.4更新后，torch和torch.autograd.Variable现在是同一类。torch.Tenso... 继续阅读 >

2020
09-23

在pytorch中实现只让指定变量向后传播梯度

pytorch中如何只让指定变量向后传播梯度？（或者说如何让指定变量不参与后向传播？）有以下公式，假如要让L对xvar求导：（1）中，L对xvar的求导将同时计算out1部分和out2部分；（2）中，L对xvar的求导只计算out2部分，因为out1的requires_grad=False；（3）中，L对xvar的求导只计算out1部分，因为out2的requires_grad=False；验证如下：#!/usr/bin/envpython2#-*-coding:utf-8-*-"""CreatedonWedMay2310:02:042018@auth... 继续阅读 >

2020
09-23

浅谈Pytorch中的自动求导函数backward()所需参数的含义

正常来说backward()函数是要传入参数的，一直没弄明白backward需要传入的参数具体含义，但是没关系，生命在与折腾，咱们来折腾一下，嘿嘿。对标量自动求导首先，如果out.backward()中的out是一个标量的话（相当于一个神经网络有一个样本，这个样本有两个属性，神经网络有一个输出）那么此时我的backward函数是不需要输入任何参数的。importtorchfromtorch.autogradimportVariablea=Variable(torch.Tensor([2,3]),requires_... 继续阅读 >

2020
09-23

pytorch之Resize()函数具体使用详解

Resize函数用于对PIL图像的预处理，它的包在：fromtorchvision.transformsimportCompose,CenterCrop,ToTensor,Resize使用如：definput_transform(crop_size,upscale_factor):returnCompose([CenterCrop(crop_size),Resize(crop_size//upscale_factor),ToTensor(),])而Resize函数有两个参数，CLASStorchvision.transforms.Resize(size,interpolation=2)size(sequenceorint)?Desiredoutputsize.... 继续阅读 >

2020
09-23

深度学习入门之Pytorch 数据增强的实现

数据增强卷积神经网络非常容易出现过拟合的问题，而数据增强的方法是对抗过拟合问题的一个重要方法。2012年AlexNet在ImageNet上大获全胜，图片增强方法功不可没，因为有了图片增强，使得训练的数据集比实际数据集多了很多'新'样本，减少了过拟合的问题，下面我们来具体解释一下。常用的数据增强方法常用的数据增强方法如下：1.对图片进行一定比例缩放2.对图片进行随机位置的截取3.对图片进行随机的水平和竖直翻转4.对图片进行... 继续阅读 >