目录一、基本介绍二、利用层次分析法解决评价类问题2.1判断矩阵2.2判断矩阵一致性检验 2.3计算权重 2.4算数平均法求权重 2.5几何平均法求权重 2.6特征值求权重三、总结 一、基本介绍层次分析法是评价类模型中的一种常见算法，它是用来根据多种准则，或是说因素从候选方案中选出最优的一种数学方法，例如我们在生活中会遇到各种各样的问题，比如各个高校
转载
2024-04-07 11:50:01
107阅读
在 PyTorch 中，我们可以使用 torch.save 函数将模型或张量保存到文件中，使用 torch.load 函数从文件中加载模型或张量。具体用法如下：保存模型import torch
# 定义模型
model = ...
# 保存模型
torch.save(model.state_dict(), 'model.pth')在上面的代码中，我们使用 model
转载
2024-04-23 10:48:47
124阅读
前言：前面有专门的讲解关于如何深入查询模型的参数信息本次来解析一下我们通常保存的模型文件 .pth 文件到底内部是什么？一、.pth 文件详解在pytorch进行模型保存的时候，一般有两种保存方式，一种是保存整个模型，另一种是只保存模型的参数。torch.save(model.state_dict(), "my_model.pth") # 只保存模型的参数torch.save(model, "my
转载
2024-08-14 13:40:13
150阅读
PyTorch框架学习十九——模型加载与保存一、序列化与反序列化二、PyTorch中的序列化与反序列化1.torch.save2.torch.load三、模型的保存1.方法一：保存整个Module2.方法二：仅保存模型参数四、模型的加载1.加载整个模型2.仅加载模型参数五、断点续训练1.断点续训练的模型保存2.断点续训练的模型加载 距离上次的学习笔记时隔了正好一个月。。。下面继续！其实深度学习的
文章目录1.加载数据集2.迭代和可视化数据集3.创建自定义数据集4.准备数据以使用 DataLoaders 进行训练5.通过 DataLoader遍历6.Further Reading 处理数据样本的代码可能会变得混乱且难以维护；我们理想地希望我们的数据集代码与我们的模型训练代码分离，以获得更好的可读性和模块化。PyTorch 提供了两种数据原语：torch.utils.data.DataLoa
模型的存储与加载TF的API提供了两种方式来存储和加载模型: 1.生成检查点文件，扩展名.ckpt,通过在tf.train.Saver()对象上调用Saver.save()生成。包含权重和其他在程序中定义的变量，不包含图结构。 2.生成图协议文件，扩展名.pb，用tf.train.write_graph()保存，只包含图形结构，不包含权重，然后使用tf.import_graph_def()来加载图
1. 并行训练与非并行训练 在训练深度神经网络时，我们一般会采用CPU或GPU来完成。得益于开源传统，许多算法都提供了完整的开源代码工程，便于学习和使用。随着GPU的普及，GPGPU已经占据了大部分的训练场景。
转载
2024-09-24 12:10:43
264阅读
本篇其实与PyTorch学习笔记：使用state_dict来保存和加载模型是高度关联的，之所以单独拎出来写，主要是想突出它的重要性。首先来描述一个本人实际遇到的问题：首先在GPU服务器上训练了一个ResNet34的模型，然后将该模型在本人PC机(没有GPU)上进行推理，模型加载代码如下：# load model weights
weights_path = "./resNet34.pth"
ass
转载
2024-08-13 16:40:14
154阅读
PyTorch 转 ONNX 详解学习链接：模型部署入门教程（三）：PyTorch 转 ONNX 详解写在前面： 本文档为学习上述链接的相关记录，基本内容一致，仅用于学习用途，若侵权请联系我删除 PyTorch 转 ONNX 详解1 torch.onnx.export 细解1.1 计算图导出方法1.2 参数详解2 使用提示2.1 使模型在 ONNX 转换时有不同的行为2.2 利用中断张量跟踪的操作
转载
2024-05-13 14:13:19
128阅读
【深度学习】：《PyTorch入门到项目实战》第八天：权重衰退（含源码）参考资料：本专栏主要以沐神《动手学深度学习》为学习资料，记录自己的学习笔记，能力有限，如有错误，欢迎大家指正。同时沐神上传了的教学视频和教材，大家可以前往学习。视频：动手学深度学习
教材：动手学深度学习
文章目录【深度学习】：《PyTorch入门到项目实战》第八天：权重衰退（含源码）1.基本概念2.代码实现2.1 生成数据集2
前两篇博客介绍了Windows下tensorflow和faster rcnn的安装和demo的运行，这篇介绍如何训练自己的模型和数据。Windows +TensorFlow+Faster Rcnn 详细安装步骤（一）Windows 下 TensorFlow 和 Faster rcnn 详细安装步骤（二）这里不再介绍VOC2007数据集，假设你已经制作好了自己的数据集。注意：这篇博客是基于上述两篇博
handler编写参考文件必须要求You can create custom handler by having class with any name, but it must have an `initialize` and a `handle` method.并且，参数和示例一样，不能缺少，哪怕那个参数不用，另外handle的输入和输出必须是list,并且list的元素个数需要一致示例#
文章目录一、方法二、读写tensor三、读写模型四、实例1.理解2.实例 一、方法·通过save函数和load函数可以很方便地读写Tensor。·通过save函数和load_state_dict函数可以很方便地读写模型的参数。二、读写tensorimport torch
import torch.nn as nn
# 1.创建x，并将其存入文件名为x.pt的文件里
x = torch.ones
转载
2024-03-22 11:59:41
76阅读
这是一篇将attention机制应用到graph convolution中的文章。但是文章中提出的模型其实是利用了attention的一部分思想，而不是和处理sequence的模型应用的attention机制是不完全一样的。处理sequence的模型引入的attention机制可以分为两类，一类是在输入sequence本身上计算attention的intertext情形；另一类是另外有一个用来计算
转载
2024-09-06 10:44:59
44阅读
一、CriticCritic的作用：Critic就是一个神经网络，以状态 Critic的作用就是衡量一个Actor在某State状态下的优劣。Given an actor π, it evaluates the how good the actor is。Critic本身不能决定要采取哪一个Action。A critic does not determine the action.An actor
开宗明义：attention就是一个加权机制，但是权重需要经过训练得到。感觉有些情况就是代替了concat然后过模型的场景，优势是更小、参数更少。 本文介绍一些我自己整理的常见attention类型。本文不关注别的博文里已经写烂了的attention机制的重要性和直觉解释（又不是写论文还要写introduction）。 multi-head attention也不在本文赘述。 文章目录1. att
CPU 启动这个问题，说也简单，细究起来也不是很复杂：博客《树莓派启动流程 --- 004 systemd-modules-load [111]: Module'i2c_dev' inserted -- 01 树莓派启动流程 》 和《RPi Software --- 001 Overview》可以说明这个问题： 如果您只需要一个操作系统，则
一般我们训练深度学习模型都是等训练完成后才能查看loss acc等这些指标，然而当我们模型设计并不正确或者出现了过拟合甚至于数据拟合出现了很严重错误，但是在训练很深的网络的时候一般都要等上好久，我就遇到过用RestNet50训练100张图跑了三四天。这时候我们该浪费时间继续train呢还是等指标出来再判断，我们都不知道。庆幸的是现在我们用keras可以随时监督训练的过程，一旦训练出现了问题可以随时
1 准备数据集import torch
import torchvision
# 去网上下载CIFAR10数据集【此数据集为经典的图像数字识别数据集】
# train = True 代表取其中得训练数据集；
# transform 参数代表将图像转换为Tensor形式
# download 为True时会去网上下载数据集到指定路径【root】中，若本地已有此数据集则直接使用
train_data=
转载
2024-05-13 12:45:08
121阅读
目录Attention前言Encoder-DecoderAttention机制sele-attention机制decoder总结Attention的三大优点**中心思想：通过加权求和，context上下文理解。** Attention前言Attention即权重 翻译为例 games是游戏，但是综合2022 beijing winter 就翻译为比赛，不不不，应该是冬奥会。Encoder-Deco
转载
2024-05-02 11:28:36
42阅读
