u013250861

Pytorch-模型参数：named_parameters()、parameters()、state_dict()区别

torch中存在3个功能极其类似的方法，它们分别是model.parameters()、model.named_parameters()、model.state_dict()，下面就具体来说说这三个函数的差异：

一、model.parameters()和model.named_parameters()差别

named_parameters()返回的list中，每个元组（与list相似，只是数据不可修改）打包了2个内容，分别是layer-name和layer-param（网络层的名字和参数的迭代器）；
parameters()只有后者layer-param（参数的迭代器）

1、model.named_parameters()里的网络层名字

import torchvision.models as models

model = models.resnet18()
for param_tuple in model.named_parameters():
    name, param = param_tuple
    print("name = ", name)
    print("-" * 100)

打印结果：

name =  conv1.weight
----------------------------------------------------------------------------------------------------
name =  bn1.weight
----------------------------------------------------------------------------------------------------
name =  bn1.bias
----------------------------------------------------------------------------------------------------
name =  layer1.0.conv1.weight
----------------------------------------------------------------------------------------------------
name =  layer1.0.bn1.weight
----------------------------------------------------------------------------------------------------
name =  layer1.0.bn1.bias
----------------------------------------------------------------------------------------------------
name =  layer1.0.conv2.weight
----------------------------------------------------------------------------------------------------
name =  layer1.0.bn2.weight
----------------------------------------------------------------------------------------------------
name =  layer1.0.bn2.bias
----------------------------------------------------------------------------------------------------
name =  layer1.1.conv1.weight
----------------------------------------------------------------------------------------------------
name =  layer1.1.bn1.weight
----------------------------------------------------------------------------------------------------
name =  layer1.1.bn1.bias
----------------------------------------------------------------------------------------------------
name =  layer1.1.conv2.weight
----------------------------------------------------------------------------------------------------
name =  layer1.1.bn2.weight
----------------------------------------------------------------------------------------------------
name =  layer1.1.bn2.bias
----------------------------------------------------------------------------------------------------
name =  layer2.0.conv1.weight
----------------------------------------------------------------------------------------------------
name =  layer2.0.bn1.weight
----------------------------------------------------------------------------------------------------
name =  layer2.0.bn1.bias
----------------------------------------------------------------------------------------------------
name =  layer2.0.conv2.weight
----------------------------------------------------------------------------------------------------
name =  layer2.0.bn2.weight
----------------------------------------------------------------------------------------------------
name =  layer2.0.bn2.bias
----------------------------------------------------------------------------------------------------
name =  layer2.0.downsample.0.weight
----------------------------------------------------------------------------------------------------
name =  layer2.0.downsample.1.weight
----------------------------------------------------------------------------------------------------
name =  layer2.0.downsample.1.bias
----------------------------------------------------------------------------------------------------
name =  layer2.1.conv1.weight
----------------------------------------------------------------------------------------------------
name =  layer2.1.bn1.weight
----------------------------------------------------------------------------------------------------
name =  layer2.1.bn1.bias
----------------------------------------------------------------------------------------------------
name =  layer2.1.conv2.weight
----------------------------------------------------------------------------------------------------
name =  layer2.1.bn2.weight
----------------------------------------------------------------------------------------------------
name =  layer2.1.bn2.bias
----------------------------------------------------------------------------------------------------
name =  layer3.0.conv1.weight
----------------------------------------------------------------------------------------------------
name =  layer3.0.bn1.weight
----------------------------------------------------------------------------------------------------
name =  layer3.0.bn1.bias
----------------------------------------------------------------------------------------------------
name =  layer3.0.conv2.weight
----------------------------------------------------------------------------------------------------
name =  layer3.0.bn2.weight
----------------------------------------------------------------------------------------------------
name =  layer3.0.bn2.bias
----------------------------------------------------------------------------------------------------
name =  layer3.0.downsample.0.weight
----------------------------------------------------------------------------------------------------
name =  layer3.0.downsample.1.weight
----------------------------------------------------------------------------------------------------
name =  layer3.0.downsample.1.bias
----------------------------------------------------------------------------------------------------
name =  layer3.1.conv1.weight
----------------------------------------------------------------------------------------------------
name =  layer3.1.bn1.weight
----------------------------------------------------------------------------------------------------
name =  layer3.1.bn1.bias
----------------------------------------------------------------------------------------------------
name =  layer3.1.conv2.weight
----------------------------------------------------------------------------------------------------
name =  layer3.1.bn2.weight
----------------------------------------------------------------------------------------------------
name =  layer3.1.bn2.bias
----------------------------------------------------------------------------------------------------
name =  layer4.0.conv1.weight
----------------------------------------------------------------------------------------------------
name =  layer4.0.bn1.weight
----------------------------------------------------------------------------------------------------
name =  layer4.0.bn1.bias
----------------------------------------------------------------------------------------------------
name =  layer4.0.conv2.weight
----------------------------------------------------------------------------------------------------
name =  layer4.0.bn2.weight
----------------------------------------------------------------------------------------------------
name =  layer4.0.bn2.bias
----------------------------------------------------------------------------------------------------
name =  layer4.0.downsample.0.weight
----------------------------------------------------------------------------------------------------
name =  layer4.0.downsample.1.weight
----------------------------------------------------------------------------------------------------
name =  layer4.0.downsample.1.bias
----------------------------------------------------------------------------------------------------
name =  layer4.1.conv1.weight
----------------------------------------------------------------------------------------------------
name =  layer4.1.bn1.weight
----------------------------------------------------------------------------------------------------
name =  layer4.1.bn1.bias
----------------------------------------------------------------------------------------------------
name =  layer4.1.conv2.weight
----------------------------------------------------------------------------------------------------
name =  layer4.1.bn2.weight
----------------------------------------------------------------------------------------------------
name =  layer4.1.bn2.bias
----------------------------------------------------------------------------------------------------
name =  fc.weight
----------------------------------------------------------------------------------------------------
name =  fc.bias
----------------------------------------------------------------------------------------------------

Process finished with exit code 0

2、model.named_parameters()里的网络层名字、参数

import torchvision.models as models

model = models.resnet18()
for param_tuple in model.named_parameters():
    name, param = param_tuple
    print("name = ", name)
    print("-" * 100)
    print("param_tuple = ", param_tuple)
    print("*" * 200)

打印结果：

C:\Program_Files_AI\Anaconda3531\python.exe C:/Users/Admin/OneDrive/WorkSpace_AI/0-基于知识库的智能问答系统-华控智加/01-意图识别/test.py
name =  conv1.weight
----------------------------------------------------------------------------------------------------
param_tuple =  ('conv1.weight', Parameter containing:
tensor([[[[-1.4115e-05,  2.9187e-02,  2.9325e-03,  ..., -4.2247e-02,
            1.7490e-02, -4.5253e-02],
          [-2.4594e-02, -3.0836e-02,  3.8604e-02,  ...,  3.5473e-02,
           -4.7046e-03, -2.9440e-02],
          [ 2.4811e-02,  1.2679e-02,  1.0070e-02,  ..., -8.3476e-03,
            1.7960e-02, -1.7406e-02],
          ...,
          [-1.3021e-02,  2.9023e-02, -6.1800e-02,  ..., -5.2802e-02,
           -4.7817e-02, -2.2377e-02],
          [-3.8513e-03, -1.0603e-02, -3.9712e-02,  ...,  5.1941e-03,
            8.2868e-03, -8.3469e-03],
          [ 3.8993e-03,  3.2017e-02, -3.6292e-02,  ..., -2.0210e-02,
           -4.0358e-02,  1.7709e-02]],

         [[-1.0894e-03,  1.5720e-02,  7.0129e-03,  ..., -1.2024e-02,
            1.8644e-02,  1.7892e-02],
          [-2.3866e-02,  9.1136e-03,  3.5243e-02,  ..., -1.6756e-02,
            1.4441e-03,  4.7943e-02],
          [-2.0514e-03,  4.3022e-02,  2.6358e-02,  ..., -2.3662e-02,
           -7.8241e-04,  1.0167e-02],
        ...

         [[-4.6689e-02, -1.1407e-03,  1.8674e-02,  ...,  1.2649e-03,
           -2.9532e-02,  6.4535e-04],
          [ 1.4171e-03, -1.9274e-02, -8.6811e-03,  ...,  2.4428e-02,
            6.9516e-03,  4.3715e-02],
          [ 1.9982e-02,  1.3124e-02,  9.1508e-03,  ...,  2.5405e-02,
           -1.3132e-02,  4.0835e-02],
          ...,
          [-3.4174e-03,  1.8623e-02, -1.4386e-02,  ...,  1.0627e-03,
           -5.1297e-04,  2.2055e-02],
          [ 2.7333e-02,  2.4858e-02, -5.4305e-02,  ..., -1.2139e-02,
            1.7735e-03, -3.4184e-03],
          [ 1.1412e-03,  1.5794e-02, -2.0699e-02,  ..., -1.7846e-02,
            3.7425e-02, -1.6059e-02]]],


        ...,


        [[[-2.7389e-02, -3.8327e-02, -2.9043e-02,  ..., -7.6396e-03,
           -1.6519e-02,  3.9659e-02],
          [ 2.8740e-03, -1.0621e-02, -9.2430e-03,  ...,  2.2581e-02,
            5.1526e-03, -2.0006e-02],
          [ 1.3575e-02,  1.5290e-02, -1.7260e-02,  ...,  6.3830e-03,
           -1.9759e-02,  1.5501e-02],
          ...,
          [ 1.6091e-02,  2.4038e-02,  2.4507e-02,  ..., -4.5613e-02,
           -3.6233e-02,  2.1632e-02],
          [-1.1573e-02, -3.6514e-02,  4.1576e-02,  ...,  1.8090e-02,
           -2.3350e-02, -8.7074e-03],
          [-1.5837e-02, -3.1353e-02,  1.8726e-02,  ...,  9.3698e-03,
            3.0781e-02,  1.0976e-02]],

         [[-2.7063e-02,  8.7158e-03,  2.7193e-03,  ..., -1.6670e-03,
           -4.3033e-03,  7.2011e-04],
          [ 2.7870e-03,  1.4264e-02, -5.0581e-02,  ...,  2.5463e-02,
            7.6864e-03, -4.9655e-02],
          [ 2.6030e-03,  2.5918e-02,  2.9615e-02,  ...,  3.0676e-02,
           -2.7723e-02, -7.3628e-03],
          ...,
          [ 2.5969e-02, -1.4247e-02,  1.2516e-02,  ...,  5.9602e-03,
           -3.2843e-02,  3.5822e-02],
          [ 1.2845e-02, -2.0035e-02,  9.9398e-04,  ..., -3.1800e-02,
            5.7984e-03,  2.8756e-02],
          [ 2.3458e-02,  3.8193e-02, -2.3754e-03,  ..., -1.3867e-02,
            8.0831e-03, -3.2438e-02]],
...

         [[-9.9291e-03, -5.6023e-03, -1.7064e-02,  ...,  8.8544e-03,
           -5.8145e-03,  2.3248e-02],
          [ 1.2148e-02, -1.0730e-02, -1.2682e-02,  ...,  9.4389e-03,
            1.2149e-02,  3.8613e-03],
          [ 3.5913e-02, -5.2048e-04, -8.7133e-02,  ..., -2.0969e-03,
           -5.4117e-03,  5.4637e-05],
          ...,
          [ 4.0351e-03, -1.3189e-02,  3.1229e-02,  ...,  3.2340e-02,
           -2.8351e-02,  1.0634e-02],
          [ 2.6041e-02, -3.0633e-04, -1.2732e-02,  ...,  2.9417e-02,
           -7.3859e-03,  1.7207e-02],
          [ 6.9960e-04,  3.8486e-03,  1.0397e-02,  ...,  1.4535e-03,
           -3.6449e-02,  3.4848e-02]]]], requires_grad=True))
********************************************************************************************************************************************************************************************************
name =  bn1.weight
----------------------------------------------------------------------------------------------------
param_tuple =  ('bn1.weight', Parameter containing:
tensor([1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], requires_grad=True))
********************************************************************************************************************************************************************************************************
name =  bn1.bias
----------------------------------------------------------------------------------------------------
param_tuple =  ('bn1.bias', Parameter containing:
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., 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.],
       requires_grad=True))
********************************************************************************************************************************************************************************************************

********************************************************************************************************************************************************************************************************
name =  layer1.0.conv2.weight
----------------------------------------------------------------------------------------------------
param_tuple =  ('layer1.0.conv2.weight', Parameter containing:
tensor([[[[-8.6159e-02,  1.8507e-04,  5.4006e-03],
          [-6.3063e-03,  3.9225e-03, -6.3141e-02],
          [-7.0145e-02, -3.9266e-02,  1.9724e-03]],

         [[ 4.6454e-02,  2.1519e-02,  5.3696e-02],
          [ 1.1086e-02,  1.6269e-01, -7.0579e-02],
          [-1.1220e-01, -4.9811e-02, -7.5515e-02]],

         [[ 5.5275e-02, -8.2407e-02, -8.9807e-02],
          [ 5.8418e-02,  4.4029e-02,  3.0584e-03],
          [ 5.2371e-02, -1.5983e-02,  5.1494e-02]],

         ...,

         [[ 7.3441e-02,  4.5401e-02, -1.9175e-02],
          [-6.2500e-02, -8.5905e-03, -7.4856e-02],
          [-1.6170e-02,  3.7529e-02, -5.1231e-02]],

         [[ 7.7501e-04, -5.7506e-02,  1.8422e-01],
          [ 2.4594e-02,  1.7378e-02,  4.0000e-02],
          [-8.6796e-02, -6.0548e-02,  2.6795e-02]],

         [[ 5.3264e-02, -8.6190e-02,  4.2443e-02],
          [-6.8029e-03, -1.6581e-02,  7.8568e-02],
          [ 3.2037e-02, -7.3002e-02,  4.9353e-02]]]], requires_grad=True))
...，
********************************************************************************************************************************************************************************************************
name =  layer4.1.bn2.bias
----------------------------------------------------------------------------------------------------
param_tuple =  ('layer4.1.bn2.bias', Parameter containing:
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., 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.,
        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., 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.,
        0., 0., 0., 0., 0., 0., 0., 0.], requires_grad=True))
********************************************************************************************************************************************************************************************************
name =  fc.weight
----------------------------------------------------------------------------------------------------
param_tuple =  ('fc.weight', Parameter containing:
tensor([[-0.0125,  0.0437, -0.0014,  ..., -0.0230,  0.0280,  0.0249],
        [-0.0105,  0.0242,  0.0291,  ...,  0.0153,  0.0366, -0.0236],
        [-0.0315,  0.0306, -0.0216,  ...,  0.0387,  0.0403,  0.0056],
        ...,
        [-0.0068, -0.0222, -0.0027,  ..., -0.0243,  0.0260,  0.0065],
        [ 0.0213,  0.0167, -0.0379,  ..., -0.0140,  0.0037, -0.0372],
        [ 0.0180,  0.0101, -0.0341,  ..., -0.0295, -0.0146,  0.0416]],
       requires_grad=True))
********************************************************************************************************************************************************************************************************
name =  fc.bias
----------------------------------------------------------------------------------------------------
param_tuple =  ('fc.bias', Parameter containing:
tensor([ 3.5711e-02,  3.2682e-02,  7.5932e-03, -3.1623e-02, -9.6316e-03,
        -2.4051e-02, -1.0393e-02,  2.3210e-02, -3.6044e-02,  2.3099e-02,
        -3.5723e-02, -3.9482e-02,  4.8526e-03, -3.2688e-02,  3.7720e-03,
        -2.2014e-02, -4.0935e-02,  4.0533e-02, -4.1172e-02,  3.9513e-02,
        -3.0332e-02,  3.2777e-02,  1.3342e-02,  2.3394e-02,  8.2328e-03,
         1.3757e-02, -1.7578e-02, -2.7165e-02,  3.8495e-03, -3.2116e-02,
         7.9903e-03,  9.9640e-04, -8.3106e-03,  2.5033e-02, -3.0446e-02,
        -1.8282e-02, -3.8420e-03, -8.6129e-03, -4.2712e-03,  1.7169e-02,
       ...,
        -5.3570e-05, -3.7353e-02, -9.8633e-03, -9.1069e-03,  3.2688e-02,
         2.2457e-02,  7.6379e-03, -3.6287e-02, -1.0444e-02,  2.1669e-02,
         2.5270e-02, -4.3881e-02,  2.1960e-02,  2.6293e-02, -3.5049e-02,
        -2.0074e-02, -9.7686e-03, -2.3766e-02, -5.0265e-03, -2.1095e-02,
         2.0981e-02, -3.5132e-02,  8.6407e-03,  1.8453e-02,  2.4282e-02,
         3.8392e-02, -1.7470e-02,  3.6958e-02, -3.7590e-02, -4.1951e-02,
        -1.8246e-02,  9.0818e-03,  3.8774e-02,  7.3408e-03,  1.7728e-02,
         3.5547e-02, -7.2857e-03, -2.7015e-02, -8.6983e-03, -2.3785e-02],
       requires_grad=True))
********************************************************************************************************************************************************************************************************

Process finished with exit code 0

二、model.named_parameters()和model.state_dict()差别

它们的差异主要体现在3方面：

返回值类型不同
存储的模型参数的种类不同
返回的值的require_grad属性不同

named_parameters()	state_dict()
将layer_name : layer_param的键值信息打包成一个元祖然后再存到list当中	将layer_name : layer_param的键值信息存储为dict形式
只保存可学习、可被更新的参数，model.buffer()中的参数不包含在model.named_parameters()中	存储的是该model中包含的所有layer中的所有参数
require_grad属性都是True	存储的模型参数tensor的require_grad属性都是False

为何model.parameters()迭代出来的所有参数的require_grad属性都是True，因为它们在被创建时，默认的require_grad就是True。这也符合逻辑，即，使用nn.Parameter()创建的变量是模型参数，本就是要参与学习和更新的；而不参与模型学习和更新的呢？我们再看一个例子：

参考资料：
pytorch中state_dict()和named_parameters()的差别，以及model.buffer/model.parameter
【pytorch】named_parameters()、parameters()、state_dict()==＞给出网络的名字和参数的迭代器
【pytorch】named_parameters()和parameters()

机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习 python
一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
android系统selinux中添加新属性property 辉色投像
1.定位/android/system/sepolicy/private/property_contexts声明属性开头：persist.charge声明属性类型：u:object_r:system_prop:s0图12.定位到android/system/sepolicy/public/domain.te删除neverallow{domain-init}default_prop:property
C语言宏函数南林yan C语言 c语言
一、什么是宏函数？通过宏定义的函数是宏函数。如下，编译器在预处理阶段会将Add(x,y)替换为((x)*(y))#defineAdd(x,y)((x)*(y))#defineAdd(x,y)((x)*(y))intmain(){inta=10;intb=20;intd=10;intc=Add(a+d,b)*2;cout<
c++ 的iostream 和 c++的stdio的区别和联系黄卷青灯77 c++算法开发语言 iostream stdio
在C++中，iostream和C语言的stdio.h都是用于处理输入输出的库，但它们在设计、用法和功能上有许多不同。以下是两者的区别和联系：区别1.编程风格iostream（C++风格）：C++标准库中的输入输出流类库，支持面向对象的输入输出操作。典型用法是cin（输入）和cout（输出），使用>操作符来处理数据。更加类型安全，支持用户自定义类型的输入输出。#includeintmain(){in
LocalDateTime 转 String igotyback java 开发语言
importjava.time.LocalDateTime;importjava.time.format.DateTimeFormatter;publicclassMain{publicstaticvoidmain(String[]args){//获取当前时间LocalDateTimenow=LocalDateTime.now();//定义日期格式化器DateTimeFormatterformat
店群合一模式下的社区团购新发展——结合链动 2+1 模式、AI 智能名片与 S2B2C 商城小程序源码说私域人工智能小程序
摘要：本文探讨了店群合一的社区团购平台在当今商业环境中的重要性和优势。通过分析店群合一模式如何将互联网社群与线下终端紧密结合，阐述了链动2+1模式、AI智能名片和S2B2C商城小程序源码在这一模式中的应用价值。这些创新元素的结合为社区团购带来了新的机遇，提升了用户信任感、拓展了营销渠道，并实现了线上线下的完美融合。一、引言随着互联网技术的不断发展，社区团购作为一种新兴的商业模式，在满足消费者日常需
消息中间件有哪些常见类型 xmh-sxh-1314 java
消息中间件根据其设计理念和用途，可以大致分为以下几种常见类型：点对点消息队列（Point-to-PointMessagingQueues）：在这种模型中，消息被发送到特定的队列中，消费者从队列中取出并处理消息。队列中的消息只能被一个消费者消费，消费后即被删除。常见的实现包括IBM的MQSeries、RabbitMQ的部分使用场景等。适用于任务分发、负载均衡等场景。发布/订阅消息模型（Pub/Sub
每日一题——第八十九题互联网打工人no1 C语言程序设计每日一练 c语言
题目：在字符串中找到提取数字，并统计一共找到多少整数，a123xxyu23&8889，那么找到的整数为123，23，8889//思想：#include#include#includeintmain(){charstr[]="a123xxyu23&8889";intcount=0;intnum=0;//用于临时存放当前正在构建的整数。boolinNum=false;//用于标记当前是否正在读取一个整
每日一题——第八十一题互联网打工人no1 C语言程序设计每日一练 c语言
打印如下图案:#includeintmain(){inti,j;charch='A';for(i=1;i<5;i++,ch++){for(j=0;j<5-i;j++){printf("");//控制空格输出}for(j=1;j<2*i;j++)//条件j<2*i{printf("%c",ch);//控制字符输出}printf("\n");}return0;}
每日一题——第八十二题互联网打工人no1 C语言程序设计每日一练 c语言
题目：将一个控制台输入的字符串中的所有元音字母复制到另一字符串中#include#include#include#include#defineMAX_INPUT1024boolisVowel(charp);intmain(){charinput[MAX_INPUT];charoutput[MAX_INPUT];printf("请输入一串字符串：\n");fgets(input,sizeof(inp
每日一题——第八十三题互联网打工人no1 C语言程序设计每日一练 c语言
题目：将输入的整形数字输出,输出1990，输出"1990"#include#defineMAX_INPUT1024intmain(){intarrr_num[MAX_INPUT];intnum,i=0;printf("请输入一个数字：");scanf_s("%d",&num);while(num!=0){arrr_num[i++]=num%10;num/=10;}printf("\"");for(
git常用命令笔记咩酱-小羊 git 笔记
###用习惯了idea总是不记得git的一些常见命令，需要用到的时候总是担心旁边站了人~~~记个笔记@_@，告诉自己看笔记不丢人初始化初始化一个新的Git仓库gitinit配置配置用户信息gitconfig--globaluser.name"YourName"gitconfig--globaluser.email"[email protected]"基本操作克隆远程仓库gitclone查看
LLM 词汇表落难Coder LLMs NLP 大语言模型大模型 llama 人工智能
Contextwindow“上下文窗口”是指语言模型在生成新文本时能够回溯和参考的文本量。这不同于语言模型训练时所使用的大量数据集，而是代表了模型的“工作记忆”。较大的上下文窗口可以让模型理解和响应更复杂和更长的提示，而较小的上下文窗口可能会限制模型处理较长提示或在长时间对话中保持连贯性的能力。Fine-tuning微调是使用额外的数据进一步训练预训练语言模型的过程。这使得模型开始表示和模仿微调数
将cmd中命令输出保存为txt文本文件落难Coder Windows cmd window
最近深度学习本地的训练中我们常常要在命令行中运行自己的代码，无可厚非，我们有必要保存我们的炼丹结果，但是复制命令行输出到txt是非常麻烦的，其实Windows下的命令行为我们提供了相应的操作。其基本的调用格式就是：运行指令>输出到的文件名称或者具体保存路径测试下，我打开cmd并且ping一下百度：pingwww.baidu.com>./data.txt看下相同目录下data.txt的输出：如果你再
探索OpenAI和LangChain的适配器集成：轻松切换模型提供商 nseejrukjhad langchain easyui 前端 python
#探索OpenAI和LangChain的适配器集成：轻松切换模型提供商##引言在人工智能和自然语言处理的世界中，OpenAI的模型提供了强大的能力。然而，随着技术的发展，许多人开始探索其他模型以满足特定需求。LangChain作为一个强大的工具，集成了多种模型提供商，通过提供适配器，简化了不同模型之间的转换。本篇文章将介绍如何使用LangChain的适配器与OpenAI集成，以便轻松切换模型提供商
使用Faiss进行高效相似度搜索 llzwxh888 faiss python
在现代AI应用中，快速和高效的相似度搜索是至关重要的。Faiss（FacebookAISimilaritySearch）是一个专门用于快速相似度搜索和聚类的库，特别适用于高维向量。本文将介绍如何使用Faiss来进行相似度搜索，并结合Python代码演示其基本用法。什么是Faiss？Faiss是一个由FacebookAIResearch团队开发的开源库，主要用于高维向量的相似性搜索和聚类。Faiss
使用Apify加载Twitter消息以进行微调的完整指南 nseejrukjhad twitter easyui 前端 python
#使用Apify加载Twitter消息以进行微调的完整指南##引言在自然语言处理领域，微调模型以适应特定任务是提升模型性能的常见方法。本文将介绍如何使用Apify从Twitter导出聊天信息，以便进一步进行微调。##主要内容###使用Apify导出推文首先，我们需要从Twitter导出推文。Apify可以帮助我们做到这一点。通过Apify的强大功能，我们可以批量抓取和导出数据，适用于各类应用场景。
利用LangChain的StackExchange组件实现智能问答系统 nseejrukjhad langchain microsoft 数据库 python
利用LangChain的StackExchange组件实现智能问答系统引言在当今的软件开发世界中，StackOverflow已经成为程序员解决问题的首选平台之一。而LangChain作为一个强大的AI应用开发框架，提供了StackExchange组件，使我们能够轻松地将StackOverflow的海量知识库集成到我们的应用中。本文将详细介绍如何使用LangChain的StackExchange组件
如何部分格式化提示模板:LangChain中的高级技巧 nseejrukjhad langchain java 服务器 python
标题:如何部分格式化提示模板:LangChain中的高级技巧内容:如何部分格式化提示模板:LangChain中的高级技巧引言在使用大型语言模型(LLM)时,提示工程是一个关键环节。LangChain提供了强大的提示模板功能,让我们能更灵活地构建和管理提示。本文将介绍LangChain中一个高级特性-部分格式化提示模板,这个技巧可以让你的提示管理更加高效和灵活。什么是部分格式化提示模板?部分格式化提
人工智能时代，程序员如何保持核心竞争力？ jmoych 人工智能
随着AIGC（如chatgpt、midjourney、claude等）大语言模型接二连三的涌现，AI辅助编程工具日益普及，程序员的工作方式正在发生深刻变革。有人担心AI可能取代部分编程工作，也有人认为AI是提高效率的得力助手。面对这一趋势,程序员应该如何应对?是专注于某个领域深耕细作，还是广泛学习以适应快速变化的技术环境?又或者，我们是否应该将重点转向AI无法轻易替代的软技能？让我们一起探讨程序员
Faiss Tips：高效向量搜索与聚类的利器焦习娜Samantha
FaissTips：高效向量搜索与聚类的利器faiss_tipsSomeusefultipsforfaiss项目地址:https://gitcode.com/gh_mirrors/fa/faiss_tips项目介绍Faiss是由FacebookAIResearch开发的一个用于高效相似性搜索和密集向量聚类的库。它支持多种硬件平台，包括CPU和GPU，能够在海量数据集上实现快速的近似最近邻搜索（AN
数据仓库——维度表一致性墨染丶eye 背诵数据仓库
数据仓库基础笔记思维导图已经整理完毕，完整连接为：数据仓库基础知识笔记思维导图维度一致性问题从逻辑层面来看，当一系列星型模型共享一组公共维度时，所涉及的维度称为一致性维度。当维度表存在不一致时，短期的成功难以弥补长期的错误。维度时确保不同过程中信息集成起来实现横向钻取货活动的关键。造成横向钻取失败的原因维度结构的差别，因为维度的差别，分析工作涉及的领域从简单到复杂，但是都是通过复杂的报表来弥补设计
【PG】常见数据库、表属性设置江无羡数据库
PG的常见属性配置方法数据库复制、备份相关表的复制标识单表操作批量表操作链接数据库复制、备份相关表的复制标识单表操作通过ALTER语句单独更改一张表的复制标识。ALTERTABLE[tablename]REPLICAIDENTITYFULL;批量表操作通过代码块的方式，对某个schema中的所有表一起更新其复制标识。SELECTtablename,CASErelreplidentWHEN'd'TH
Faiss：高效相似性搜索与聚类的利器网络·魚大数据 faiss
Faiss是一个针对大规模向量集合的相似性搜索库，由FacebookAIResearch开发。它提供了一系列高效的算法和数据结构，用于加速向量之间的相似性搜索，特别是在大规模数据集上。本文将介绍Faiss的原理、核心功能以及如何在实际项目中使用它。Faiss原理：近似最近邻搜索：Faiss的核心功能之一是近似最近邻搜索，它能够高效地在大规模数据集中找到与给定查询向量最相似的向量。这种搜索是近似的，
每日一题——第八十八题互联网打工人no1 C语言程序设计每日一练 c语言
题目：输入一个9位的无符号整数，判断其是否有重复数字#include#include#includeintmain(){charnum_str[10];printf("请输入一个9位数的无符号数：");scanf_s("%9d",&num_str);if(strlen(num_str)!=9){printf("输入的不是一个9位无符号整数，请重新输入");}else{if(hasDuplicate
mac电脑命令行获取电量小米人er 我的博客 macos 命令行
在macOS上，有几个命令行工具可以用来获取电量信息，最常用的是pmset命令。你可以通过以下方式来查看电池状态和电量信息：查看电池状态：pmset-gbatt这个命令会返回类似下面的输出：Nowdrawingfrom'BatteryPower'-InternalBattery-0(id=1234567)95%;discharging;4:02remainingpresent:true输出中包括电
【Git】常见命令(仅笔记) 好想有猫猫 Git Linux学习笔记 git 笔记 elasticsearch linux c++
文章目录创建/初始化本地仓库添加本地仓库配置项提交文件查看仓库状态回退仓库查看日志分支删除文件暂存工作区代码远程仓库使用`.gitigore`文件让git不追踪一些文件标签创建/初始化本地仓库gitinit添加本地仓库配置项gitconfig-l#以列表形式显示配置项gitconfiguser.name"ljh"#配置user.namegitconfiguser.email"[email protected]
【华为OD技术面试真题 - 技术面】- python八股文真题题库（1）算法大师华为od 面试 python
华为OD面试真题精选专栏：华为OD面试真题精选目录:2024华为OD面试手撕代码真题目录以及八股文真题目录文章目录华为OD面试真题精选1.数据预处理流程数据预处理的主要步骤工具和库2.介绍线性回归、逻辑回归模型线性回归（LinearRegression）模型形式：关键点：逻辑回归（LogisticRegression）模型形式：关键点：参数估计与评估：3.python浅拷贝及深拷贝浅拷贝（Shal
OPENAIGC开发者大赛企业组AI黑马奖 | AIGC数智传媒解决方案 RPA中国人工智能 AIGC 传媒
在第二届拯救者杯OPENAIGC开发者大赛中，涌现出一批技术突出、创意卓越的作品。为了让这些优秀项目被更多人看到，我们特意开设了优秀作品报道专栏，旨在展示其独特之处和开发者的精彩故事。无论您是技术专家还是爱好者，希望能带给您不一样的知识和启发。让我们一起探索AIGC的无限可能，见证科技与创意的完美融合！创未来AI应用赛-企业组AI黑马奖作品名称：AIGC数智传媒解决方案参赛团队：深圳市三象智能技术
Xinference如何注册自定义模型玩人工智能的辣条哥人工智能 AI 大模型 Xinference
环境：Xinference问题描述：Xinference如何注册自定义模型解决方案：1.写个model_config.json，内容如下{"version":1,"context_length":2048,"model_name":"custom-llama-3","model_lang":["en","ch"],"model_ability":["generate","chat"],"model
SAX解析xml文件小猪猪08 xml
1.创建SAXParserFactory实例 2.通过SAXParserFactory对象获取SAXParser实例 3.创建一个类SAXParserHander继续DefaultHandler，并且实例化这个类 4.SAXParser实例的parse来获取文件 public static void main(String[] args) { //
为什么mysql里的ibdata1文件不断的增长？ brotherlamp linux linux运维 linux资料 linux视频 linux运维自学
我们在 Percona 支持栏目经常收到关于 MySQL 的 ibdata1 文件的这个问题。当监控服务器发送一个关于 MySQL 服务器存储的报警时，恐慌就开始了 —— 就是说磁盘快要满了。一番调查后你意识到大多数地盘空间被 InnoDB 的共享表空间 ibdata1 使用。而你已经启用了 innodbfileper_table，所以问题是： ibdata1存了什么？当你启用了 i
Quartz-quartz.properties配置 eksliang quartz
其实Quartz JAR文件的org.quartz包下就包含了一个quartz.properties属性配置文件并提供了默认设置。如果需要调整默认配置，可以在类路径下建立一个新的quartz.properties，它将自动被Quartz加载并覆盖默认的设置。下面是这些默认值的解释 #-----集群的配置 org.quartz.scheduler.instanceName =
informatica session的使用 18289753290 workflow session log Informatica
如果希望workflow存储最近20次的log，在session里的Config Object设置，log options做配置，save session log :sessions run ;savesessio log for these runs:20 session下面的source 里面有个tracing
Scrapy抓取网页时出现CRC check failed 0x471e6e9a != 0x7c07b839L的错误酷的飞上天空 scrapy
Scrapy版本0.14.4 出现问题现象： ERROR: Error downloading <GET http://xxxxx CRC check failed 解决方法 1.设置网络请求时的header中的属性'Accept-Encoding': '*;q=0' 明确表示不支持任何形式的压缩格式，避免程序的解压
java Swing小集锦永夜-极光 java swing
1.关闭窗体弹出确认对话框 1.1 this.setDefaultCloseOperation (JFrame.DO_NOTHING_ON_CLOSE); 1.2 this.addWindowListener ( new WindowAdapter () { public void windo
强制删除.svn文件夹随便小屋 java
在windows上，从别处复制的项目中可能带有.svn文件夹，手动删除太麻烦，并且每个文件夹下都有。所以写了个程序进行删除。因为.svn文件夹在windows上是只读的，所以用File中的delete()和deleteOnExist()方法都不能将其删除，所以只能采用windows命令方式进行删除
GET和POST有什么区别？及为什么网上的多数答案都是错的。 aijuans get post
如果有人问你，GET和POST，有什么区别？你会如何回答？我的经历前几天有人问我这个问题。我说GET是用于获取数据的，POST，一般用于将数据发给服务器之用。这个答案好像并不是他想要的。于是他继续追问有没有别的区别？我说这就是个名字而已，如果服务器支持，他完全可以把G
谈谈新浪微博背后的那些算法 aoyouzi 谈谈新浪微博背后的那些算法
本文对微博中常见的问题的对应算法进行了简单的介绍，在实际应用中的算法比介绍的要复杂的多。当然，本文覆盖的主题并不全，比如好友推荐、热点跟踪等就没有涉及到。但古人云“窥一斑而见全豹”，希望本文的介绍能帮助大家更好的理解微博这样的社交网络应用。微博是一个很多人都在用的社交应用。天天刷微博的人每天都会进行着这样几个操作：原创、转发、回复、阅读、关注、@等。其中，前四个是针对短博文，最后的关注和@则针
Connection reset 连接被重置的解决方法百合不是茶 java 字符流连接被重置
流是java的核心部分,,昨天在做android服务器连接服务器的时候出了问题,就将代码放到java中执行,结果还是一样连接被重置被重置的代码如下; 客户端代码; package 通信软件服务器; import java.io.BufferedWriter; import java.io.OutputStream; import java.io.O
web.xml配置详解之filter bijian1013 java web.xml filter
一.定义 <filter> <filter-name>encodingfilter</filter-name> <filter-class>com.my.app.EncodingFilter</filter-class> <init-param> <param-name>encoding<
Heritrix Bill_chen 多线程 xml 算法制造配置管理
作为纯Java语言开发的、功能强大的网络爬虫Heritrix，其功能极其强大，且扩展性良好，深受热爱搜索技术的盆友们的喜爱，但它配置较为复杂，且源码不好理解，最近又使劲看了下，结合自己的学习和理解，跟大家分享Heritrix的点点滴滴。 Heritrix的下载（http://sourceforge.net/projects/archive-crawler/）安装、配置，就不罗嗦了，可以自己找找资
【Zookeeper】FAQ bit1129 zookeeper
1.脱离IDE，运行简单的Java客户端程序 #ZkClient是简单的Zookeeper~$ java -cp "./:zookeeper-3.4.6.jar:./lib/*" ZKClient 1. Zookeeper是的Watcher回调是同步操作，需要添加异步处理的代码 2. 如果Zookeeper集群跨越多个机房，那么Leader/
The user specified as a definer ('aaa'@'localhost') does not exist 白糖_ localhost
今天遇到一个客户BUG，当前的jdbc连接用户是root，然后部分删除操作都会报下面这个错误：The user specified as a definer ('aaa'@'localhost') does not exist 最后找原因发现删除操作做了触发器，而触发器里面有这样一句 /*!50017 DEFINER = ''aaa@'localhost' */ 原来最初
javascript中showModelDialog刷新父页面 bozch JavaScript 刷新父页面 showModalDialog
在页面中使用showModalDialog打开模式子页面窗口的时候，如果想在子页面中操作父页面中的某个节点，可以通过如下的进行： window.showModalDialog('url',self,‘status...’); // 首先中间参数使用self 在子页面使用w
编程之美-买书折扣 bylijinnan 编程之美
import java.util.Arrays; public class BookDiscount { /**编程之美买书折扣书上的贪心算法的分析很有意思，我看了半天看不懂，结果作者说，贪心算法在这个问题上是不适用的。。下面用动态规划实现。哈利波特这本书一共有五卷，每卷都是8欧元，如果读者一次购买不同的两卷可扣除5%的折扣，三卷10%，四卷20%，五卷
关于struts2.3.4项目跨站执行脚本以及远程执行漏洞修复概要 chenbowen00 struts WEB安全
因为近期负责的几个银行系统软件，需要交付客户，因此客户专门请了安全公司对系统进行了安全评测，结果发现了诸如跨站执行脚本，远程执行漏洞以及弱口令等问题。下面记录下本次解决的过程以便后续 1、首先从最简单的开始处理，服务器的弱口令问题，首先根据安全工具提供的测试描述中发现应用服务器中存在一个匿名用户，默认是不需要密码的，经过分析发现服务器使用了FTP协议，而使用ftp协议默认会产生一个匿名用
[电力与暖气]煤炭燃烧与电力加温 comsci
在宇宙中,用贝塔射线观测地球某个部分,看上去,好像一个个马蜂窝,又像珊瑚礁一样,原来是某个国家的采煤区..... 不过,这个采煤区的煤炭看来是要用完了.....那么依赖将起燃烧并取暖的城市,在极度严寒的季节中...该怎么办呢? &nbs
oracle O7_DICTIONARY_ACCESSIBILITY参数 daizj oracle
O7_DICTIONARY_ACCESSIBILITY参数控制对数据字典的访问.设置为true,如果用户被授予了如select any table等any table权限,用户即使不是dba或sysdba用户也可以访问数据字典.在9i及以上版本默认为false,8i及以前版本默认为true.如果设置为true就可能会带来安全上的一些问题.这也就为什么O7_DICTIONARY_ACCESSIBIL
比较全面的MySQL优化参考 dengkane mysql
本文整理了一些MySQL的通用优化方法，做个简单的总结分享，旨在帮助那些没有专职MySQL DBA的企业做好基本的优化工作，至于具体的SQL优化，大部分通过加适当的索引即可达到效果，更复杂的就需要具体分析了，可以参考本站的一些优化案例或者联系我，下方有我的联系方式。这是上篇。 1、硬件层相关优化 1.1、CPU相关在服务器的BIOS设置中，可
C语言homework2，有一个逆序打印数字的小算法 dcj3sjt126com c
#h1# 0、完成课堂例子 1、将一个四位数逆序打印 1234 ==> 4321 实现方法一： # include <stdio.h> int main(void) { int i = 1234; int one = i%10; int two = i / 10 % 10; int three = i / 100 % 10;
apacheBench对网站进行压力测试 dcj3sjt126com apachebench
ab 的全称是 ApacheBench ，是 Apache 附带的一个小工具，专门用于 HTTP Server 的 benchmark testing ，可以同时模拟多个并发请求。前段时间看到公司的开发人员也在用它作一些测试，看起来也不错，很简单，也很容易使用，所以今天花一点时间看了一下。通过下面的一个简单的例子和注释，相信大家可以更容易理解这个工具的使用。
2种办法让HashMap线程安全 flyfoxs java jdk jni
多线程之--2种办法让HashMap线程安全多线程之--synchronized 和reentrantlock的优缺点多线程之--2种JAVA乐观锁的比较( NonfairSync VS. FairSync) HashMap不是线程安全的,往往在写程序时需要通过一些方法来回避.其实JDK原生的提供了2种方法让HashMap支持线程安全.
Spring Security（04）——认证简介 234390216 Spring Security 认证过程
认证简介目录 1.1 认证过程 1.2 Web应用的认证过程 1.2.1 ExceptionTranslationFilter 1.2.2 在request之间共享SecurityContext 1
Java 位运算 Javahuhui java 位运算
// 左移( << ) 低位补0 // 0000 0000 0000 0000 0000 0000 0000 0110 然后左移2位后，低位补0： // 0000 0000 0000 0000 0000 0000 0001 1000 System.out.println(6 << 2);// 运行结果是24 // 右移( >> ) 高位补"
mysql免安装版配置 ldzyz007 mysql
1、my-small.ini是为了小型数据库而设计的。不应该把这个模型用于含有一些常用项目的数据库。 2、my-medium.ini是为中等规模的数据库而设计的。如果你正在企业中使用RHEL,可能会比这个操作系统的最小RAM需求(256MB)明显多得多的物理内存。由此可见，如果有那么多RAM内存可以使用，自然可以在同一台机器上运行其它服务。 3、my-large.ini是为专用于一个SQL数据
MFC和ado数据库使用时遇到的问题你不认识的休道人 sql C++mfc
=================================================================== 第一个 =================================================================== try{ CString sql; sql.Format("select * from p
表单重复提交Double Submits rensanning double
可能发生的场景： *多次点击提交按钮 *刷新页面 *点击浏览器回退按钮 *直接访问收藏夹中的地址 *重复发送HTTP请求（Ajax）（1）点击按钮后disable该按钮一会儿，这样能避免急躁的用户频繁点击按钮。这种方法确实有些粗暴，友好一点的可以把按钮的文字变一下做个提示，比如Bootstrap的做法： http://getbootstrap.co
Java String 十大常见问题 tomcat_oracle java 正则表达式
　1.字符串比较，使用“==”还是equals()? 　　"=="判断两个引用的是不是同一个内存地址(同一个物理对象)。　　equals()判断两个字符串的值是否相等。　　除非你想判断两个string引用是否同一个对象，否则应该总是使用equals()方法。　　如果你了解字符串的驻留(String Interning)则会更好地理解这个问题。　　
SpringMVC 登陆拦截器实现登陆控制 xp9802 springMVC
思路，先登陆后，将登陆信息存储在session中，然后通过拦截器，对系统中的页面和资源进行访问拦截，同时对于登陆本身相关的页面和资源不拦截。实现方法： 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

Pytorch-模型参数：named_parameters()、parameters()、state_dict()区别

一、model.parameters()和model.named_parameters()差别

1、model.named_parameters()里的网络层名字

2、model.named_parameters()里的网络层名字、参数

二、model.named_parameters()和model.state_dict()差别

你可能感兴趣的:(AI/模型调优,parameters)