后知还就那个后觉

pytorch 卷积计算

import torch
from torch import nn

class CNN(nn.Module):
    def __init__(self, scale_factor, num_channels=1, d=56, s=12, m=4):
        super(CNN, self).__init__()
        self.first_part = nn.Sequential(
            nn.Conv2d(num_channels, d, kernel_size=3, padding=5//2),
            # nn.Conv2d(num_channels, d, kernel_size=(1,3), padding=5//2),
            # nn.Conv2d(num_channels, d, kernel_size=(3,1), padding=5//2),
            nn.PReLU(d)
        )

        self._initialize_weights()

    def _initialize_weights(self):
        for m in self.first_part:
            if isinstance(m, nn.Conv2d):
                nn.init.normal_(m.weight.data, mean=0.0, std=math.sqrt(2/(m.out_channels*m.weight.data[0][0].numel())))
                nn.init.zeros_(m.bias.data)

    def forward(self, x):
        x1 = self.first_part(x)
        return x

model = CNN()
input = torch.randn(1,1,28,36)
pre = model(input)
print(pre)
print(pre.data)
print(pre.data[0][0][1][1].item())
print(pre.data.size())
print(pre.data.shape)
print(pre.shape)
print(pre.size())

结果：
tensor([[[[ 6.6364e-02, -1.3303e-04, -3.5543e-02,  ..., -6.1688e-02,
            3.1265e-01, -8.2845e-03],
          [-3.5500e-02, -4.9340e-02,  1.7163e-01,  ...,  1.3813e-01,
           -8.2757e-03,  8.5905e-03],
          [ 8.1270e-02, -2.7835e-03, -2.5063e-02,  ...,  1.3616e-01,
           -6.6608e-02, -6.2187e-03],
          ...,
          [ 4.4998e-02, -4.2893e-02,  2.1688e-01,  ...,  3.1650e-01,
           -2.5981e-02,  2.6824e-03],
          [ 4.0486e-03,  1.2759e-02,  3.1908e-01,  ...,  2.2530e-01,
           -4.8846e-02,  3.9362e-02],
          [ 8.3523e-03,  1.5983e-02,  6.9260e-02,  ..., -2.0295e-02,
           -2.0337e-02,  3.9436e-02]]]], grad_fn=)
tensor([[[[ 6.6364e-02, -1.3303e-04, -3.5543e-02,  ..., -6.1688e-02,
            3.1265e-01, -8.2845e-03],
          [-3.5500e-02, -4.9340e-02,  1.7163e-01,  ...,  1.3813e-01,
           -8.2757e-03,  8.5905e-03],
          [ 8.1270e-02, -2.7835e-03, -2.5063e-02,  ...,  1.3616e-01,
           -6.6608e-02, -6.2187e-03],
          ...,
          [ 4.4998e-02, -4.2893e-02,  2.1688e-01,  ...,  3.1650e-01,
           -2.5981e-02,  2.6824e-03],
          [ 4.0486e-03,  1.2759e-02,  3.1908e-01,  ...,  2.2530e-01,
           -4.8846e-02,  3.9362e-02],
          [ 8.3523e-03,  1.5983e-02,  6.9260e-02,  ..., -2.0295e-02,
           -2.0337e-02,  3.9436e-02]]]])
-0.04934029281139374
torch.Size([1, 56, 30, 38]) #计算过程30 = (28-3+2x2)/1 + 1, 38 = (36-3+2x2)/1+1
torch.Size([1, 56, 30, 38])
torch.Size([1, 56, 30, 38])
torch.Size([1, 56, 30, 38])

计算公式：

# nn.Conv2d(num_channels, d, kernel_size=(1,3), padding=3//2)方法
model = CNN(scale_factor = 3)
input = torch.randn(1,1,28,36)
pre = model(input)
print(pre)
# print(pre.data)
print(pre.data[0][0])
print(pre.data[0][0][1][1].item())
print(pre.data[0][0][0])
print(pre.data[0][0][1])
print(pre.data[0][0][2])
print(pre.data[0][0][3])
print(pre.data[0][0][4])
print(pre.data[0][0][5])
print(pre.data[0][0][6])
print(pre.data[0][0][-1])
print(pre.data.size())
print(pre.data.shape)
print(pre.shape)
print(pre.size())

结果：
tensor([[[[ 0.0000,  0.0000,  0.0000,  ...,  0.0000,  0.0000,  0.0000],
          [-0.0315,  0.2222, -0.2953,  ..., -0.7758, -0.6119, -0.2884],
          [ 0.0894,  0.5969,  0.0282,  ..., -0.2781, -0.3415, -0.1789],
          ...,
          [-0.1551,  0.2289,  0.3626,  ..., -0.1653,  0.3931,  0.3321],
          [-0.4042, -0.1149,  0.0374,  ...,  0.6755,  0.1891, -0.0073],
          [ 0.0000,  0.0000,  0.0000,  ...,  0.0000,  0.0000,  0.0000]],

         [[ 0.0000,  0.0000,  0.0000,  ...,  0.0000,  0.0000,  0.0000],
          [-0.0212,  0.0645, -0.0238,  ...,  0.1489,  0.1142, -0.1058],
          [-0.0321, -0.0747, -0.0549,  ...,  0.1178,  0.0921, -0.0454],
          ...,
          [ 0.0469, -0.0927, -0.1170,  ...,  0.2002, -0.2892, -0.0782],
          [ 0.1105, -0.0514, -0.0808,  ..., -0.1853,  0.1171,  0.1068],
          [ 0.0000,  0.0000,  0.0000,  ...,  0.0000,  0.0000,  0.0000]],

         [[ 0.0000,  0.0000,  0.0000,  ...,  0.0000,  0.0000,  0.0000],
          [ 0.0835, -0.1424,  0.1503,  ...,  0.1009, -0.0085,  0.1033],
          [ 0.0232, -0.1340,  0.1330,  ...,  0.0130, -0.0159,  0.0469],
          ...,
          [-0.0155, -0.0275,  0.0204,  ..., -0.1981,  0.0670,  0.0502],
          [-0.0070,  0.0174,  0.0540,  ...,  0.0298, -0.0567, -0.0900],
          [ 0.0000,  0.0000,  0.0000,  ...,  0.0000,  0.0000,  0.0000]],

         ...,

         [[ 0.0000,  0.0000,  0.0000,  ...,  0.0000,  0.0000,  0.0000],
          [ 0.1037,  0.0157,  0.0510,  ...,  0.0336, -0.1710, -0.2514],
          [ 0.0334, -0.0469,  0.1680,  ...,  0.1241, -0.0480, -0.1418],
          ...,
          [-0.0269, -0.1274,  0.0102,  ..., -0.0414, -0.3004,  0.1501],
          [-0.0279, -0.1744, -0.0603,  ...,  0.0836,  0.3084,  0.0699],
          [ 0.0000,  0.0000,  0.0000,  ...,  0.0000,  0.0000,  0.0000]],

         [[ 0.0000,  0.0000,  0.0000,  ...,  0.0000,  0.0000,  0.0000],
          [-0.0355,  0.1285, -0.1310,  ..., -0.1803, -0.1289, -0.1647],
          [ 0.0068,  0.1698, -0.0434,  ..., -0.0262, -0.0548, -0.0884],
          ...,
          [-0.0207,  0.0267,  0.0473,  ...,  0.0895, -0.0434,  0.0534],
          [-0.0661, -0.0665, -0.0409,  ...,  0.1070,  0.1317,  0.0704],
          [ 0.0000,  0.0000,  0.0000,  ...,  0.0000,  0.0000,  0.0000]],

         [[ 0.0000,  0.0000,  0.0000,  ...,  0.0000,  0.0000,  0.0000],
          [ 0.2388, -0.1572,  0.2690,  ...,  0.2536, -0.1721, -0.2086],
          [ 0.0604, -0.2845,  0.3744,  ...,  0.2247, -0.0409, -0.1276],
          ...,
          [-0.0345, -0.2383, -0.0104,  ..., -0.2471, -0.4034,  0.2226],
          [ 0.0049, -0.2131, -0.0328,  ...,  0.0631,  0.3511,  0.0043],
          [ 0.0000,  0.0000,  0.0000,  ...,  0.0000,  0.0000,  0.0000]]]])
tensor([[ 0.0000,  0.0000,  0.0000,  ...,  0.0000,  0.0000,  0.0000],
        [-0.0315,  0.2222, -0.2953,  ..., -0.7758, -0.6119, -0.2884],
        [ 0.0894,  0.5969,  0.0282,  ..., -0.2781, -0.3415, -0.1789],
        ...,
        [-0.1551,  0.2289,  0.3626,  ..., -0.1653,  0.3931,  0.3321],
        [-0.4042, -0.1149,  0.0374,  ...,  0.6755,  0.1891, -0.0073],
        [ 0.0000,  0.0000,  0.0000,  ...,  0.0000,  0.0000,  0.0000]]) 上下的0.0000是padding填充的结果
0.22215284407138824
tensor([0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
        0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])
tensor([-0.0315,  0.2222, -0.2953,  0.1427, -0.2313, -0.5308, -0.2953, -0.2252,
         0.2495, -0.0302,  0.1041, -0.5481, -0.0725, -0.0198,  0.2743,  0.4091,
        -0.1611, -0.2999, -0.2310,  0.0428, -0.2597,  0.0626, -0.0776,  0.1501,
         0.0440, -0.3942, -0.0305,  0.0865,  0.1754, -0.0359,  0.0967, -0.0470,
        -0.2386, -0.7758, -0.6119, -0.2884])
tensor([ 0.0894,  0.5969,  0.0282, -0.0242, -0.1550,  0.1429,  0.0045, -0.4359,
        -0.0452,  0.1667,  0.4410,  0.2647,  0.2186, -0.0451,  0.5798,  0.4195,
        -0.2234,  0.0881, -0.0903,  0.0221,  0.2936,  0.0059,  0.2871, -0.2773,
         0.1871,  0.0105,  0.1898, -0.0319,  0.1036,  0.1972,  0.1958,  0.2907,
         0.1177, -0.2781, -0.3415, -0.1789])
tensor([ 0.5702, -0.0570, -0.5150, -0.3509,  0.2484,  0.5581, -0.0588, -0.0200,
        -0.0346,  0.2426, -0.2978,  0.0562, -0.1117, -0.3938, -0.2345, -0.2661,
         0.2033, -0.2472,  0.2124, -0.1569, -0.4880, -0.8923, -0.2910,  0.1807,
         0.1235,  0.4139,  0.0701, -0.1217,  0.3566,  0.5507,  0.3293,  0.2777,
         0.2855,  0.1828,  0.2574,  0.1168])
tensor([ 0.1693,  0.1578, -0.1188, -0.1728, -0.3290,  0.2469,  0.5145,  0.6355,
         0.2808, -0.6514, -0.5881,  0.0906, -0.3123,  0.5027,  0.2909,  0.6274,
         1.2742,  1.1023,  0.3220,  0.2541, -0.3775, -0.1256, -0.3329,  0.0644,
         0.1964,  0.2278,  0.2365,  0.5741,  0.3289,  0.6638,  0.1729, -0.2596,
        -0.1766,  0.1998,  0.4604,  0.2442])
tensor([ 0.0660, -0.3376, -0.1423, -0.2701, -0.0633,  0.1919,  0.4765,  0.2492,
         0.0457,  0.0720,  0.3947,  0.1662, -0.0149, -0.3476, -0.4126, -0.5365,
        -0.3285,  0.2710,  0.6813,  0.8570, -0.0067, -0.4599,  0.6223,  0.6125,
         0.1302, -0.3530, -0.6021,  0.0301, -0.1814,  0.1297, -0.2597, -0.2491,
        -0.5377, -0.2454, -0.4172, -0.1774])
tensor([-0.0815, -0.2279, -0.1583, -0.3918, -0.3411, -0.5401, -0.1437,  0.1512,
         0.1818,  0.3640,  0.1382, -0.1335, -0.4312, -0.6804, -0.3305,  0.0529,
         0.0879,  0.4044,  0.3641,  0.3695,  0.2838,  0.0965,  0.0414,  0.3015,
         0.0043,  0.5818,  0.3425, -0.1442, -0.0725, -0.0736,  0.1090, -0.2067,
        -0.0579,  0.0168,  0.3162,  0.1692])
tensor([0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
        0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])
torch.Size([1, 56, 30, 36])
torch.Size([1, 56, 30, 36])
torch.Size([1, 56, 30, 36])
torch.Size([1, 56, 30, 36])


# nn.Conv2d(num_channels, d, kernel_size=(3,1), padding=3//2)方法
结果：
tensor([[[[ 0.0000, -0.2665,  0.0052,  ..., -0.0663,  0.2429,  0.0000],
          [ 0.0000, -0.1602, -0.1386,  ..., -0.1798,  0.4090,  0.0000],
          [ 0.0000,  0.2891, -0.2059,  ..., -0.2856,  0.1771,  0.0000],
          ...,
          [ 0.0000, -0.2019, -0.1313,  ...,  0.1987, -0.0560,  0.0000],
          [ 0.0000,  0.0348, -0.0470,  ...,  0.1345, -0.0694,  0.0000],
          [ 0.0000,  0.0484, -0.0343,  ...,  0.1832,  0.1907,  0.0000]],

         [[ 0.0000,  0.2650, -0.0029,  ...,  0.0679, -0.2456,  0.0000],
          [ 0.0000, -0.0842,  0.1587,  ...,  0.1347, -0.2150,  0.0000],
          [ 0.0000, -0.2408,  0.0732,  ...,  0.1868,  0.0150,  0.0000],
          ...,
          [ 0.0000,  0.0350,  0.0971,  ..., -0.0868,  0.1741,  0.0000],
          [ 0.0000, -0.0737, -0.0437,  ..., -0.0650, -0.0956,  0.0000],
          [ 0.0000,  0.0191,  0.0822,  ..., -0.1411, -0.1188,  0.0000]],

         [[ 0.0000,  0.0656, -0.0032,  ...,  0.0147, -0.0564,  0.0000],
          [ 0.0000, -0.2945,  0.0594,  ..., -0.0252,  0.1706,  0.0000],
          [ 0.0000, -0.0024, -0.1312,  ..., -0.0675,  0.2218,  0.0000],
          ...,
          [ 0.0000, -0.1813, -0.0136,  ...,  0.1093,  0.1821,  0.0000],
          [ 0.0000, -0.0638, -0.1183,  ...,  0.0690, -0.2098,  0.0000],
          [ 0.0000,  0.0825,  0.0755,  ...,  0.0136,  0.0535,  0.0000]],

         ...,

         [[ 0.0000, -0.1202,  0.0746,  ...,  0.0314, -0.0210,  0.0000],
          [ 0.0000, -0.0126, -0.0183,  ...,  0.0611,  0.0161,  0.0000],
          [ 0.0000,  0.0497, -0.0397,  ..., -0.0380, -0.0153,  0.0000],
          ...,
          [ 0.0000,  0.0016, -0.0508,  ..., -0.0282, -0.1388,  0.0000],
          [ 0.0000,  0.0477,  0.0852,  ..., -0.0699,  0.0255,  0.0000],
          [ 0.0000, -0.0278, -0.0439,  ...,  0.0365,  0.0193,  0.0000]],

         [[ 0.0000, -0.1411,  0.0150,  ..., -0.0247,  0.1065,  0.0000],
          [ 0.0000, -0.3459, -0.0443,  ..., -0.1247,  0.4057,  0.0000],
          [ 0.0000,  0.1938, -0.2472,  ..., -0.2463,  0.2921,  0.0000],
          ...,
          [ 0.0000, -0.2777, -0.1054,  ...,  0.2118,  0.0860,  0.0000],
          [ 0.0000, -0.0205, -0.1105,  ...,  0.1296, -0.2110,  0.0000],
          [ 0.0000,  0.0932,  0.0311,  ...,  0.1361,  0.1702,  0.0000]],

         [[ 0.0000, -0.1253,  0.2331,  ...,  0.1646, -0.3026,  0.0000],
          [ 0.0000, -0.5238,  0.1267,  ...,  0.2429,  0.1681,  0.0000],
          [ 0.0000,  0.0067, -0.2741,  ..., -0.1049,  0.2849,  0.0000],
          ...,
          [ 0.0000, -0.2385, -0.1226,  ...,  0.0156, -0.0712,  0.0000],
          [ 0.0000,  0.0142,  0.0732,  ..., -0.1638, -0.2847,  0.0000],
          [ 0.0000,  0.0433,  0.0207,  ...,  0.0494,  0.0665,  0.0000]]]])
tensor([[ 0.0000, -0.2665,  0.0052,  ..., -0.0663,  0.2429,  0.0000],
        [ 0.0000, -0.1602, -0.1386,  ..., -0.1798,  0.4090,  0.0000],
        [ 0.0000,  0.2891, -0.2059,  ..., -0.2856,  0.1771,  0.0000],
        ...,
        [ 0.0000, -0.2019, -0.1313,  ...,  0.1987, -0.0560,  0.0000],
        [ 0.0000,  0.0348, -0.0470,  ...,  0.1345, -0.0694,  0.0000],
        [ 0.0000,  0.0484, -0.0343,  ...,  0.1832,  0.1907,  0.0000]])
-0.16020259261131287
tensor([ 0.0000, -0.2665,  0.0052, -0.0403,  0.0104, -0.1253, -0.0612,  0.0583,
        -0.0431,  0.0037, -0.1454,  0.0387, -0.0086,  0.0119,  0.0965,  0.1796,
        -0.0665, -0.1207, -0.1479, -0.0218,  0.1017,  0.3104, -0.1378, -0.0020,
        -0.1307, -0.2126, -0.0714,  0.1420, -0.0902,  0.2329,  0.0456,  0.0767,
         0.0070,  0.0960,  0.0613, -0.0663,  0.2429,  0.0000])
tensor([ 0.0000e+00, -1.6020e-01, -1.3857e-01,  4.4766e-02,  3.6776e-04,
        -4.8631e-02, -1.4214e-01, -1.0698e-01, -1.0469e-01, -6.2759e-02,
        -2.5928e-01,  1.4373e-02,  2.5133e-02,  5.7116e-03,  1.3167e-01,
         3.3955e-01,  1.2455e-01,  6.8688e-03, -3.4117e-01,  2.0203e-02,
        -1.1731e-01,  3.3134e-01, -1.1501e-01, -1.5608e-02, -1.6398e-01,
        -2.8882e-01, -1.7618e-02,  2.4095e-01, -2.3142e-01,  2.1594e-01,
        -1.6275e-02,  1.9483e-01,  8.6949e-02,  1.3403e-01,  1.2124e-01,
        -1.7975e-01,  4.0899e-01,  0.0000e+00])
tensor([ 0.0000e+00,  2.8914e-01, -2.0587e-01,  2.5269e-01,  1.2159e-01,
         5.8757e-02, -2.5931e-01, -2.5056e-01, -1.2442e-01, -1.2865e-01,
        -3.4671e-05, -1.5588e-01,  2.7979e-02,  7.4262e-02,  3.3392e-02,
         1.9631e-01,  2.6568e-01,  4.8094e-02, -2.2988e-01, -7.3294e-03,
        -2.6656e-01,  5.9278e-02, -3.6376e-02, -6.8909e-02, -7.3849e-02,
         3.8072e-02,  1.5668e-01,  3.2020e-01, -4.0010e-01, -6.2959e-02,
         4.6597e-02,  2.0234e-01,  1.4463e-01,  8.6147e-03, -1.4288e-03,
        -2.8556e-01,  1.7709e-01,  0.0000e+00])
tensor([ 0.0000,  0.2429,  0.0210,  0.3643,  0.2347, -0.0319, -0.2282, -0.2728,
         0.2310, -0.3252,  0.1110,  0.0297, -0.0811,  0.0235, -0.0734,  0.0109,
         0.0639, -0.0535,  0.1225,  0.0271,  0.0277,  0.1528, -0.1052, -0.1419,
         0.0670,  0.0415,  0.1639,  0.3170, -0.1593,  0.0248,  0.3244, -0.0540,
         0.0971,  0.1045,  0.1890, -0.1563, -0.1246,  0.0000])
tensor([ 0.0000, -0.0021, -0.0117, -0.0706,  0.3629,  0.0901, -0.0349, -0.1799,
         0.2409, -0.2738,  0.0473,  0.2873, -0.2413,  0.0266, -0.2500,  0.0446,
         0.0846,  0.1752,  0.1120,  0.1048,  0.2087,  0.0501, -0.1243, -0.1623,
         0.2456, -0.2475,  0.1696,  0.0806,  0.1081,  0.1978,  0.0715, -0.0433,
         0.0588,  0.2438,  0.2774,  0.0420, -0.2895,  0.0000])
tensor([ 0.0000,  0.0678, -0.0804, -0.1645,  0.0288,  0.1927, -0.0944,  0.1028,
         0.0415,  0.1267, -0.0689,  0.1832, -0.0494,  0.0267, -0.2153,  0.1689,
         0.1709,  0.1118, -0.0311,  0.2397, -0.0135, -0.1035,  0.1029,  0.0398,
         0.1069, -0.1409,  0.1346, -0.2777,  0.0086,  0.0522, -0.1968,  0.2060,
        -0.0040, -0.0089, -0.0507,  0.0334, -0.1372,  0.0000])
tensor([ 0.0000e+00,  1.8976e-02, -1.9297e-02,  3.5077e-01, -8.7172e-02,
         1.7590e-01, -1.0609e-01,  3.2915e-01, -3.1518e-03,  1.7384e-01,
        -5.0477e-02, -3.3394e-02, -3.5567e-04, -9.7546e-02, -1.5968e-01,
         1.0812e-01,  1.9788e-02, -1.7623e-02, -3.1855e-02,  3.7437e-01,
        -2.5711e-01,  2.5959e-02,  2.4762e-01,  1.3323e-01, -4.1156e-02,
        -3.4118e-02,  1.7522e-03, -1.9903e-01, -6.9717e-02, -4.9169e-02,
        -1.8395e-01,  4.8062e-02,  1.3727e-01, -6.3850e-02, -1.5100e-01,
        -2.7803e-01,  2.4404e-01,  0.0000e+00])
tensor([ 0.0000,  0.0484, -0.0343, -0.0134, -0.0573,  0.1453, -0.1117,  0.1103,
        -0.3307,  0.1104,  0.2315, -0.0822, -0.0464,  0.1169, -0.0332, -0.3909,
         0.1107, -0.0350, -0.1648, -0.0221,  0.2701,  0.0953,  0.0496,  0.1484,
         0.0852,  0.1883,  0.1308, -0.2373,  0.0845, -0.0580,  0.0799, -0.1907,
         0.0123, -0.0902, -0.1832,  0.1832,  0.1907,  0.0000])
torch.Size([1, 56, 28, 38])
torch.Size([1, 56, 28, 38])
torch.Size([1, 56, 28, 38])
torch.Size([1, 56, 28, 38])

PyTorch学习（13）：PyTorch的张量相乘（torch.matmul）赛先生.AI PyTorch pytorch
PyTorch学习（1）：torch.meshgrid的使用-CSDN博客PyTorch学习（2）：torch.device-CSDN博客PyTorch学习（9）：torch.topk-CSDN博客PyTorch学习（10）：torch.where-CSDN博客PyTorch学习（11）：PyTorch的形状变换(view,reshape)与维度变换(transpose,permute)-CSDN
PyTorch实现CIFAR-10分类代码曹勖之 PyTorch学习之路深度学习 pytorch
这篇是PyTorch学习之路第七篇，用于记录PyTorch实现CIFAR-10分类代码（书上的代码有好多冗余）目录完整代码（还未训练）完整代码（已训练，直接载入模型）下面实例数据集位于：C:\Users\22130\Learning_Pytorch\dataset完整代码（还未训练）importtorchimporttorchvisionimporttorchvision.transformsas
PyTorch学习笔记之基础函数篇（四）熊猫Devin 深度学习之PyTorch pytorch 学习笔记
文章目录2.8torch.logspace函数讲解2.9torch.ones函数2.10torch.rand函数2.11torch.randn函数2.12torch.zeros函数2.8torch.logspace函数讲解torch.logspace函数在PyTorch中用于生成一个在对数尺度上均匀分布的张量（tensor）。这意味着张量中的元素是按照对数间隔排列的，而不是线性间隔。这对于创建在数
深入浅出PyTorch学习网址今天是学习的一天人工智能
https://datawhalechina.github.io/thorough-pytorch/
Pytorch学习记录-接近人类水平的GEC（使用混合机器翻译模型）我的昵称违规了
五月第二周要结束了，接下来的三个月主要是文献阅读，准备8、9月的开题报告，技术类的文献集中在GEC和Textmaching的应用方面，读完之后找demo复现，然后应用。理论方面的论文也都是英文的8.NearHuman-LevelPerformanceinGrammaticalErrorCorrectionwithHybridMachineTranslation昨天一天没看论文，发现我文献阅读速度太
Pytorch学习准备_Pycharm及Jupyter使用写点什么呢学习记录 pytorch 学习人工智能 python pycharm
已经创建环境pytorch01，可参考http://t.csdnimg.cn/KwJvh一.pytorch环境查看打开AnacondaPrompt进入pytorch01环境condaactivatepytorch01列出这个环境下的工具包piplist二.Pycharm打开，创建新项目2.1选择“现有指示器"(笔者使用此法未成功，使用的是2.2)找到你自己的pytorch位置笔者如图可以看到解释器
Pytorch学习01_加载数据初认识写点什么呢 pytorch 学习人工智能 python pycharm pip ipython
一.Dataset新建py文件fromtorch.utils.dataimportDataset可以按住”Ctrl“,鼠标左键点击Dataset，可以打开Dataset的定义及其内部函数二.编写引用cv2模块终端运行pipinstallopencv-python然后就可以引用cv2模块importcv2引用ImagefromPILimportImage数据集链接https://pan.baidu.
Pytorch学习02_TensorBoard使用01 写点什么呢学习记录 pytorch 学习人工智能 python pycharm
更换编辑器找到自己的Anaconda安装路径下envs\pytorch01中的oython.exe，pytorch01是笔者自己创建的pytorch环境名选择好后，点击确定点击“应用”，再点击“确定”在pytorch环境下安装tensorboardpipinstallpytorch安装结束writer.add_scalar("y=x",i,i)运行如下内容fromtorch.utils.tenso
Pytorch学习03_TensorBoard使用02 写点什么呢学习记录 pytorch 学习人工智能 pycharm python
Opencv读取图片，获得numpy型数据类型复制图片的相对路径目前这种type不适用，考虑用numpy类型安装opencv，在pytorch环境下pipinstallopencv-python导入numpyimportnumpyasnp将PIL类型的img转换为NumPy数组img_array=np.array(img)HWC三通道H：高度W：宽度C：通道fromtorch.utils.tens
【pytorch学习】关于torch.nn.MaxPool2d和torch.nn.functional.max_pool2d 你好，我老婆不吃香菜 pytorch 深度学习
两者之间的区别与联系首先给出结论，torch.nn.MaxPool2d和torch.nn.functional.max_pool2d两者本质上是一样的。具体可以参考torch.nn.MaxPool2d的源代码，核心源代码如下所示：from..importfunctionalasFclassMaxPool2d(_MaxPoolNd):kernel_size:_size_2_tstride:_size
Pytorch学习记录-GEC语法纠错我的昵称违规了
Pytorch学习记录-GEC语法纠错01五月第一周要结束了，接下来的三个月主要是文献阅读，准备8、9月的开题报告，技术类的文献集中在GEC和Textmaching的应用方面，读完之后找demo复现，然后应用。理论方面的论文也都是英文的，国内这块做的真的不行啊……学习计划GEC概念AlibabaatIJCNLP-2017Task1:EmbeddingGrammaticalFeaturesintoL
PyTorch（超详细）部署与激活举起Python火炬，点亮智慧人生【Windows版】心安成长 PyTorch python pytorch windows
AI时代，我们不仅要学习Python，同时机器学习，深度学习利器也要逐步掌握，再次开始Pytorch学习教程记录。PyTorch是一个流行的开源深度学习框架，它可以用于构建、训练和部署各种机器学习和深度学习模型。PyTorch可以用于以下领域：计算机视觉：图像分类、目标检测、图像分割、人脸识别等。自然语言处理：机器翻译、文本分类、情感分析、问答系统等。语音处理：语音识别、语音合成、说话人识别等。生
Pytorch学习记录-卷积Seq2Seq（模型训练）我的昵称违规了
Pytorch学习记录-torchtext和Pytorch的实例50.PyTorchSeq2Seq项目介绍在完成基本的torchtext之后，找到了这个教程，《基于Pytorch和torchtext来理解和实现seq2seq模型》。这个项目主要包括了6个子项目使用神经网络训练Seq2Seq使用RNNencoder-decoder训练短语表示用于统计机器翻译使用共同学习完成NMT的堆砌和翻译打包填充
Python-Pytorch学习记录 yt_0618 学习
目录1.python-pycharm下载安装2.VSCode下载安装3.MATLAB下载安装4.pytorch一条龙下载安装环境配置1.python-pycharm下载安装pycharm从安装到全副武装，学起来才嗖嗖的快，图片超多，因为过度详细！_pycharm下载和环境配置-CSDN博客https://chuanchuan.blog.csdn.net/article/details/119934
pytorch学习笔记（2）--Tensor ToToBe pytorch 笔记 1024程序员节
系列文章pytorch学习笔记（1）–QUICKSTARTpytorch学习笔记（2）–Tensorpytorch学习笔记（3）–数据集与数据导入pytorch学习笔记（4）–创建模型(BuildModel)pytorch学习笔记（5）–Autograd文章目录系列文章Tensor（张量）1.初始化张量2.张量的属性3.张量的操作1.类似numpy的索引和切片2.拼接3.算数操作4.单元素张量5.
PyTorch学习笔记（三）：softmax回归 FriendshipT PyTorch学习笔记 pytorch 回归深度学习 softmax
PyTorch学习笔记（三）：softmax回归softmax回归分类问题softmax回归模型单样本分类的矢量计算表达式小批量样本分类的矢量计算表达式交叉熵损失函数模型预测及评价小结Torchvision获取数据集读取小批量PyTorch从零开始实现softmax获取和读取数据初始化模型参数实现softmax运算定义模型定义损失函数定义优化算法计算分类准确率训练模型预测小结PyTorch模块实现
PyTorch学习：加载模型和参数 TravelingLight77 DL Pytorch pytorch 深度学习神经网络
1.直接加载模型和参数加载别人训练好的模型：#保存和加载整个模型torch.save(model_object,'resnet.pth')model=torch.load('resnet.pth')2.分别加载网络的结构和参数#将my_resnet模型储存为my_resnet.pthtorch.save(my_resnet.state_dict(),"my_resnet.pth")#加载resne
PyTorch学习笔记1 zt_d918
训练过程importtorch#batch_size,input_dimension,hidden_dimension,output_dimensionN,D_in,H,D_out=64,1000,100,10#模拟一个训练集x=torch.randn(N,D_in)y=torch.randn(N,D_out)#模型定义有多种方式，这里不提model#loss函数定义loss_fn=torch.n
第二十九周：文献阅读笔记（ResMLP）+ pytorch学习（Resnet代码实现） @默然笔记 pytorch 学习人工智能 python 深度学习机器学习
第二十九周：文献阅读笔记（ResMLP）摘要Abstract1.ResMLP1.1文献摘要1.2文献引言1.3ResMLP方法1.3.1整体流程1.3.2残差多感知机层1.4实验1.4.1数据集1.4.2超参数设置1.4.3主要结果1.4.4监督设置1.4.5自监督设置1.4.5知识蒸馏设置1.5ResMLP的创新点2.pytorch学习（ResNet代码实现）2.1数据集2.2文件结构2.3下载
第二十八周：文献阅读笔记（弱监督学习）+ pytorch学习 @默然笔记学习 pytorch 深度学习人工智能 python
第二十八周：文献阅读笔记（弱监督学习）摘要Abstract1.弱监督学习1.1.文献摘要1.2.引言1.3.不完全监督1.3.1.主动学习与半监督学习1.3.2.通过人工干预1.3.3.无需人工干预1.4.不确切的监督1.5.不准确的监督1.6.弱监督学习的创新点2.pytorch学习2.1.对现有模型进行修改2.2.优化器的使用2.3.完整的模型训练套路总结摘要弱监督学习是一种机器学习方法，其训
第二十九周：文献阅读笔记（DenseNet）+ pytorch学习 @默然笔记 pytorch 学习
第二十九周：文献阅读笔记（DenseNet）+pytorch学习摘要Abstract1、DenseNet文献阅读1.1文献摘要1.2文献引言1.3DenseNets网络1.3.1残差网络1.3.2密集连接1.3.3实施细节1.4实验1.4.1数据集1.4.1.1CIFAR1.4.1.2SVHN1.4.2模型训练1.4.3CIFAR和SVHN的分类结果1.4.4ImageNet上的分类结果1.5总结
Pytorch学习记录-Pytorch可视化使用tensorboardX 我的昵称违规了
Pytorch学习记录-Pytorch可视化使用tensorboardX在很早很早以前（至少一个半月），我做过几节关于tensorboard的学习记录。https://www.jianshu.com/p/23205a7921cdhttps://www.jianshu.com/p/6235c1ecde67https://www.jianshu.com/p/2b24454b0629https://ww
PyTorch学习---2.自动求梯度与世无争小菜鸡
自动求梯度首先给大家介绍几个基本概念：方向导数：是一个数；反映的是f(x,y)在P0点沿方向v的变化率。偏导数：是多个数（每元有一个）；是指多元函数沿坐标轴方向的方向导数，因此二元函数就有两个偏导数。偏导函数：是一个函数；是一个关于点的偏导数的函数。梯度：是一个向量；每个元素为函数对一元变量的偏导数；它既有大小（其大小为最大方向导数），也有方向。摘自《方向导数与梯度》梯度从本质上来说也是导数的一种
pytorch学习路径诗人藏夜里
微信公众号：诗人藏夜里参考了黄海广老师的[pytorch快速入门资料](https://zhuanlan.zhihu.com/p/87263048)，并结合自身从0到1的学习经历，写下此pytorch入门路径本路径适合人群：深度学习初学者，深度学习框架初学者**欢迎拥抱最美DL框架**#1.[莫烦pytorch系列教程](https://morvanzhou.github.io/tutorials
小土堆pytorch学习笔记004 柠檬不萌只是酸i 深度学习 pytorch 学习笔记机器学习深度学习
目录1、神经网络的基本骨架-nn.Module的使用2、卷积操作实例3、神经网络-卷积层4、神经网络-最大池化的使用（1）最大池化画图理解：（2）代码实现：5、神经网络-非线性激活（1）代码实现（调用sigmoid函数）6、神经网络-线性层（1）代码7、网络搭建-小实战（1）完整代码1、神经网络的基本骨架-nn.Module的使用官网地址：pytorch里的nnimporttorchfromtor
小土堆pytorch学习笔记003 | 下载数据集dataset 及报错处理柠檬不萌只是酸i 深度学习人工智能深度学习机器学习 pytorch python
目录1、下载数据集2、展示数据集里面的内容3、DataLoader的使用例子：结果展示：1、下载数据集#数据集importtorchvisiontrain_set=torchvision.datasets.CIFAR10(root="./test10_dataset",train=True,download=True)test_set=torchvision.datasets.CIFAR10(ro
小土堆pytorch学习笔记005 | 完结，✿✿ヽ(°▽°)ノ✿ 柠檬不萌只是酸i 深度学习学习笔记 pytorch 机器学习深度学习
目录1、损失函数与反向传播2、如何在搭建的网络中使用损失函数呢？3、优化器4、现有网络模型的使用及修改例子：5、模型训练保存+读取（1）保存（2）读取6、完整的模型训练：（1）代码【model文件】：【主文件】：（2）运行截图：（3）绘图展示：（4）添加训练正确率的完整代码：（5）总结！！！：（6）使用GPU训练7、完整模型验证（1）代码（2）运行结果1、损失函数与反向传播①计算实际输出和目标之间
小土堆pytorch学习笔记002 柠檬不萌只是酸i 深度学习 pytorch 学习笔记
目录1、TensorBoard的使用（1）显示坐标：（2）显示图片：2、Transform的使用3、常见的Transforms（1）#ToTensor()（2）#Normalize()（3）#Resize()（4）#Compose()4、总结：1、TensorBoard的使用（1）显示坐标：fromtorch.utils.tensorboardimportSummaryWriterimportnu
【pytorch】pytorch学习笔记（续2）小白冲鸭 pytorch 学习笔记
p30：1.均方差（MeanSquaredError,MSE）：（1）注意区分MSE和L2范数：L2范数要开根号，而MSE不需要开根号。用torch.norm函数求MSE的时候不要忘记加上pow(2)。求导：pytorch实现自动求导：第一种方法：torch.autograd.grad()设置w需要求导有两种方法：（1）在创建w之后，用来设置w需要求导。（2）在创建w的时候，用w=torch.te
【pytorch】pytorch学习笔记（续1）小白冲鸭 pytorch 学习笔记
p22：1.加减乘除：（1）add(a,b)：等同于a+b。（2）sub(a,b)：等同于a-b。（3）mul(a,b)：等同于a*b。（4）div(a,b)：等同于a/b。a//b表示整除。2.tensor的矩阵式相乘：matmul注意区分：（1）*：表示相同位置的元素相乘；（2）.matmul：表示矩阵相乘。对于（2）矩阵的相乘，有三种方式：(1)torch.mm:只适用于二维的tensor，
scala的option和some 矮蛋蛋编程 scala
原文地址： http://blog.sina.com.cn/s/blog_68af3f090100qkt8.html 对于学习 Scala 的 Java™ 开发人员来说，对象是一个比较自然、简单的入口点。在本系列前几期文章中，我介绍了 Scala 中一些面向对象的编程方法，这些方法实际上与 Java 编程的区别不是很大。我还向您展示了 Scala 如何重新应用传统的面向对象概念，找到其缺点
NullPointerException Cb123456 android BaseAdapter
java.lang.NullPointerException: Attempt to invoke virtual method 'int android.view.View.getImportantForAccessibility()' on a null object reference 出现以上异常.然后就在baidu上
PHP使用文件和目录天子之骄 php文件和目录读取和写入 php验证文件 php锁定文件
PHP使用文件和目录 1.使用include()包含文件 (1)：使用include()从一个被包含文档返回一个值 (2)：在控制结构中使用include() include_once()函数需要一个包含文件的路径，此外，第一次调用它的情况和include()一样，如果在脚本执行中再次对同一个文件调用，那么这个文件不会再次包含。在php.ini文件中设置
SQL SELECT DISTINCT 语句何必如此 sql
SELECT DISTINCT 语句用于返回唯一不同的值。 SQL SELECT DISTINCT 语句在表中，一个列可能会包含多个重复值，有时您也许希望仅仅列出不同（distinct）的值。 DISTINCT 关键词用于返回唯一不同的值。 SQL SELECT DISTINCT 语法 SELECT DISTINCT column_name,column_name F
java冒泡排序 3213213333332132 java 冒泡排序
package com.algorithm; /** * @Description 冒泡 * @author FuJianyong * 2015-1-22上午09:58:39 */ public class MaoPao { public static void main(String[] args) { int[] mao = {17,50,26,18,9,10
struts2.18 +json,struts2-json-plugin-2.1.8.1.jar配置及问题！ 7454103 DAO spring Ajax json qq
struts2.18 出来有段时间了！（貌似是稳定版）闲时研究下下！貌似 sruts2 搭配 json 做 ajax 很吃香！实践了下下！不当之处请绕过！呵呵网上一大堆 struts2+json 不过大多的json 插件都是 jsonplugin.34.jar strut
struts2 数据标签说明 darkranger jsp bean struts servlet Scheme
数据标签主要用于提供各种数据访问相关的功能，包括显示一个Action里的属性，以及生成国际化输出等功能数据标签主要包括： action ：该标签用于在JSP页面中直接调用一个Action，通过指定executeResult参数，还可将该Action的处理结果包含到本页面来。 bean ：该标签用于创建一个javabean实例。如果指定了id属性，则可以将创建的javabean实例放入Sta
链表.简单的链表节点构建 aijuans 编程技巧
/*编程环境WIN-TC*/ #include "stdio.h" #include "conio.h" #define NODE(name, key_word, help) \ Node name[1]={{NULL, NULL, NULL, key_word, help}} typedef struct node { &nbs
tomcat下jndi的三种配置方式 avords tomcat
jndi(Java Naming and Directory Interface，Java命名和目录接口)是一组在Java应用中访问命名和目录服务的API。命名服务将名称和对象联系起来，使得我们可以用名称访问对象。目录服务是一种命名服务，在这种服务里，对象不但有名称，还有属性。 tomcat配置
关于敏捷的一些想法 houxinyou 敏捷
从网上看到这样一句话：“敏捷开发的最重要目标就是：满足用户多变的需求，说白了就是最大程度的让客户满意。” 感觉表达的不太清楚。感觉容易被人误解的地方主要在“用户多变的需求”上。第一种多变，实际上就是没有从根本上了解了用户的需求。用户的需求实际是稳定的，只是比较多，也比较混乱，用户一般只能了解自己的那一小部分，所以没有用户能清楚的表达出整体需求。而由于各种条件的，用户表达自己那一部分时也有
富养还是穷养，决定孩子的一生 bijian1013 教育人生
是什么决定孩子未来物质能否丰盛？为什么说寒门很难出贵子，三代才能出贵族？真的是父母必须有钱，才能大概率保证孩子未来富有吗？-----作者：@李雪爱与自由事实并非由物质决定，而是由心灵决定。一朋友富有而且修养气质很好，兄弟姐妹也都如此。她的童年时代，物质上大家都很贫乏，但妈妈总是保持生活中的美感，时不时给孩子们带回一些美好小玩意，从来不对孩子传递生活艰辛、金钱来之不易、要懂得珍惜
oracle 日期时间格式转化征客丶 oracle
oracle 系统时间有 SYSDATE 与 SYSTIMESTAMP； SYSDATE：不支持毫秒，取的是系统时间； SYSTIMESTAMP：支持毫秒，日期，时间是给时区转换的，秒和毫秒是取的系统的。日期转字符窜：一、不取毫秒： TO_CHAR(SYSDATE, 'YYYY-MM-DD HH24:MI:SS') 简要说明， YYYY 年 MM 月
【Scala六】分析Spark源代码总结的Scala语法四 bit1129 scala
1. apply语法 FileShuffleBlockManager中定义的类ShuffleFileGroup，定义： private class ShuffleFileGroup(val shuffleId: Int, val fileId: Int, val files: Array[File]) { ... def apply(bucketId
Erlang中有意思的bug bookjovi erlang
代码中常有一些很搞笑的bug，如下面的一行代码被调用两次（Erlang beam） commit f667e4a47b07b07ed035073b94d699ff5fe0ba9b Author: Jovi Zhang <[email protected]> Date: Fri Dec 2 16:19:22 2011 +0100 erts:
移位打印10进制数转16进制-2008-08-18 ljy325 java 基础
/** * Description 移位打印10进制的16进制形式 * Creation Date 15-08-2008 9:00 * @author 卢俊宇 * @version 1.0 * */ public class PrintHex { // 备选字符 static final char di
读《研磨设计模式》-代码笔记-组合模式 bylijinnan java 设计模式
声明：本文只为方便我个人查阅和理解，详细的分析以及源代码请移步原作者的博客http://chjavach.iteye.com/ import java.util.ArrayList; import java.util.List; abstract class Component { public abstract void printStruct(Str
利用cmd命令将.class文件打包成jar chenyu19891124 cmd jar
cmd命令打jar是如下实现：在运行里输入cmd，利用cmd命令进入到本地的工作盘符。(如我的是D盘下的文件有此路径 D:\workspace\prpall\WEB-INF\classes) 现在是想把D:\workspace\prpall\WEB-INF\classes路径下所有的文件打包成prpall.jar。然后继续如下操作： cd D: 回车 cd workspace/prpal
[原创]JWFD v0.96 工作流系统二次开发包 for Eclipse 简要说明 comsci eclipse 设计模式算法工作 swing
JWFD v0.96 工作流系统二次开发包 for Eclipse 简要说明 &nb
SecureCRT右键粘贴的设置 daizj secureCRT 右键粘贴
一般都习惯鼠标右键自动粘贴的功能，对于SecureCRT6.7.5 ，这个功能也已经是默认配置了。老版本的SecureCRT其实也有这个功能，只是不是默认设置，很多人不知道罢了。菜单： Options->Global Options ...->Terminal 右边有个Mouse的选项块。 Copy on Select Paste on Right/Middle
Linux 软链接和硬链接 dongwei_6688 linux
1.Linux链接概念Linux链接分两种，一种被称为硬链接（Hard Link），另一种被称为符号链接（Symbolic Link）。默认情况下，ln命令产生硬链接。【硬连接】硬连接指通过索引节点来进行连接。在Linux的文件系统中，保存在磁盘分区中的文件不管是什么类型都给它分配一个编号，称为索引节点号(Inode Index)。在Linux中，多个文件名指向同一索引节点是存在的。一般这种连
DIV底部自适应 dcj3sjt126com JavaScript
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/1999/xhtml&q
Centos6.5使用yum安装mysql——快速上手必备 dcj3sjt126com mysql
第1步、yum安装mysql [root@stonex ~]# yum -y install mysql-server 安装结果： Installed: mysql-server.x86_64 0:5.1.73-3.el6_5 &nb
如何调试JDK源码 frank1234 jdk
相信各位小伙伴们跟我一样，想通过JDK源码来学习Java，比如collections包，java.util.concurrent包。可惜的是sun提供的jdk并不能查看运行中的局部变量，需要重新编译一下rt.jar。下面是编译jdk的具体步骤： 1.把C:\java\jdk1.6.0_26\sr
Maximal Rectangle hcx2013 max
Given a 2D binary matrix filled with 0's and 1's, find the largest rectangle containing all ones and return its area. public class Solution { public int maximalRectangle(char[][] matrix)
Spring MVC测试框架详解——服务端测试 jinnianshilongnian spring mvc test
随着RESTful Web Service的流行，测试对外的Service是否满足期望也变的必要的。从Spring 3.2开始Spring了Spring Web测试框架，如果版本低于3.2，请使用spring-test-mvc项目（合并到spring3.2中了）。 Spring MVC测试框架提供了对服务器端和客户端（基于RestTemplate的客户端）提供了支持。 &nbs
Linux64位操作系统（CentOS6.6）上如何编译hadoop2.4.0 liyong0802 hadoop
一、准备编译软件 1.在官网下载jdk1.7、maven3.2.1、ant1.9.4，解压设置好环境变量就可以用。环境变量设置如下：（1）执行vim /etc/profile （2）在文件尾部加入: export JAVA_HOME=/home/spark/jdk1.7 export MAVEN_HOME=/ho
StatusBar 字体白色 pangyulei status
[[UIApplication sharedApplication] setStatusBarStyle:UIStatusBarStyleLightContent]; /*you'll also need to set UIViewControllerBasedStatusBarAppearance to NO in the plist file if you use this method
如何分析Java虚拟机死锁 sesame java thread oracle 虚拟机 jdbc
英文资料： Thread Dump and Concurrency Locks Thread dumps are very useful for diagnosing synchronization related problems such as deadlocks on object monitors. Ctrl-\ on Solaris/Linux or Ctrl-B
位运算简介及实用技巧（一）：基础篇 tw_wangzhengquan 位运算
http://www.matrix67.com/blog/archives/263 去年年底写的关于位运算的日志是这个Blog里少数大受欢迎的文章之一，很多人都希望我能不断完善那篇文章。后来我看到了不少其它的资料，学习到了更多关于位运算的知识，有了重新整理位运算技巧的想法。从今天起我就开始写这一系列位运算讲解文章，与其说是原来那篇文章的follow-up，不如说是一个r
jsearch的索引文件结构 yangshangchuan 搜索引擎 jsearch 全文检索信息检索 word分词
jsearch是一个高性能的全文检索工具包，基于倒排索引，基于java8，类似于lucene，但更轻量级。 jsearch的索引文件结构定义如下： 1、一个词的索引由=分割的三部分组成：第一部分是词第二部分是这个词在多少

pytorch 卷积计算

你可能感兴趣的:(pytorch学习)