百天计划之第29天，关于“AI智能量化，财富自由与个人成长”相关。qlib框架使用暂时告一段落。过去20几天，大家如果一起在学习的话，可以说已经掌握qlib的正确使用方式，甚至是定制与扩展，以及如何正确阅读它的代码。我们要开始一个新的系列——机器学习在量化中的落地与实践。当然基于的框架主体仍然是qlib，核心技能还是聚焦的。机器学习，会涉及统计学、传统机器学习、深度学习以及强化学习。因子特征工程，
1、验证conda是否安装成功在安装pytorch之前，需要验证coda安装是否成功 WIN+R键，打开cmd，输入nvcc -V,出现以下界面说明安装成功，并且知道版本为10.2（记住）2、创建虚拟环境在命令窗口输入命令cona create -n torch38 python=3.8, 其中torch38是你创建虚拟环境的名称，可以根据你自己的喜好进行设置，建议不要太复杂。pthon=3.8是
转载
2023-10-23 10:15:12
85阅读
本文目录ConvGroup ConvDepthwise Separable Convolution1. Depthwise Conv2. Pointwise Conv Conv首先是常规卷积，假设我们有一张的特征图，现在想得到一张的图，如果直接使用卷积操作，大卷积核（包含channel，3维）一共有10个，每个大小为。代码及计算过程如下图所示conv = nn.Conv2d(6, 10, ker
转载
2023-08-11 21:30:48
101阅读
当我们安装好pytorch的依赖环境以后，我们就可以学习pytorch了，我们首先引入依赖包如下：import torch
import torchvision as tv
import torch.nn as nn 接下来我们主要讲述nn.Conv2d 的卷积运算函数，nn.Conv2d的功能是：对由多个输入平面组成的输入信号进行二维卷积，以最简单的例子进行说明：layer = nn.
转载
2023-07-10 16:15:57
322阅读
背景CNN是深度学习的重中之重，而conv1D，conv2D，和conv3D又是CNN的核心，所以理解conv的工作原理就变得尤为重要。在本博客中，将简单梳理一下这三种卷积，以及在PyTorch中的应用方法。参考https://pytorch.org/docs/master/nn.html#conv1d https://pytorch.org/docs/master/nn.functional.h
pytorch之nn.Conv1d详解 之前学习pytorch用于文本分类的时候，用到了一维卷积，花了点时间了解其中的原理，看网上也没有详细解释的博客，所以就记录一下。Conv1d
class torch.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1,
转载
2023-08-12 12:32:10
253阅读
本文主要介绍PyTorch中的nn.Conv1d和nn.Conv2d方法，并给出相应代码示例，加深理解。一维卷积nn.Conv1d一般来说，一维卷积nn.Conv1d用于文本数据，只对宽度进行卷积，对高度不卷积。通常，输入大小为word_embedding_dim * max_length，其中，word_embedding_dim为词向量的维度，max_length为句子的最大长度。卷积核窗口在
转载
2023-08-21 10:28:49
697阅读
这一篇文章，来讲解一下可变卷积的代码实现逻辑和可视化效果。全部基于python，没有C++。大部分代码来自：https://github.com/oeway/pytorch-deform-conv 但是我研究了挺久的，发现这个人的代码中存在一些问题，导致可变卷积并没有实现。之所以发现这个问题是在我可视化可变卷积的检测点的时候，发现一些端倪，然后经过修改之后，可以正常可视化，并且精度有所提升。1 代
转载
2023-08-03 23:18:07
77阅读
1 背景用于降水预测2 核心思想2.1 卷积替代hadamard乘积普通的LSTM是这样的其中的 o 表示hadamard乘积，其实就是矩阵相乘，相当于全连接神经网络（一层全连接网络就是相当于一个矩阵相乘），全连接网络参数量巨大，不能有效提取空间信息，把它换为卷积之后则能有效提取空间信息(花书中使用卷积层替代全连接层的动机)，于是把hadamard乘积改为卷积。于是就有了ConvLSTM再来
转载
2023-11-11 09:33:13
1112阅读
AnimeGANv2复现【动漫风格迁移】写在前面的话项目获取环境配置运行结果总结 项目获取代码源地址 可以下一个git bash把它克隆下来git clone https://github.com/bryandlee/animegan2-pytorch或者直接在github上下载其压缩包保存下来环境配置我用的是pycharm社区版+pytorch+cuda+cudnn+anaconda。具体流程
来源《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》这是2015年的文献，提出的就是Batch Normalization层的概念。为什么需要它？神经网络学习的过程本质就是数据分布的学习过程。从最开始的感知机到全连接实现或非运算等都是如此。在CNN
转载
2023-10-17 10:30:02
101阅读
# PyTorch中BatchNorm和Conv层的融合
在深度学习领域，批量归一化（Batch Normalization）和卷积神经网络（Convolutional Neural Networks）是两个非常重要的概念。批量归一化能够加速神经网络的收敛过程，提高模型的准确性，而卷积神经网络则是处理图像、文本等数据的重要工具。PyTorch是一个流行的深度学习框架，它提供了丰富的API和工具，
原创
2024-06-11 05:25:42
300阅读
Pytorch的nn.Conv2d（）详解nn.Conv2d()的使用、形参与隐藏的权重参数in_channelsout_channelskernel_sizestride = 1padding = 0dilation = 1groups = 1bias = Truepadding_mode = 'zeros' nn.Conv2d()的使用、形参与隐藏的权重参数 二维卷积应该是最常用的
转载
2024-01-17 19:53:55
238阅读
OpenCV python（一）：安装 && 获取、显示、保存图像一、安装opencv-python1、安装opencv-python2、安装opencv-contrib-python3、查看版本号并确认安装成功二、获取并显示图像1、对应函数解析2、摄像头或视频获取图像3、直接导入图像4、cv2.waitKey()(1)、用在退出循环上(2)、用在图像采集保存上 一、安装open
转载
2023-09-19 22:48:30
76阅读
原代码链接：ConvLSTM_pytorch参考资料：LSTM的参数解释Pytorch-LSTM输入输出参数ConvLSTM参数详解（Keras）1.导入pytorchimport torch
import torch.nn as nn2.构建ConvLSTMCellclass ConvLSTMCell(nn.Module):
#这里面全都是数，衡量后面输入数据的维度/通道尺寸
d
转载
2023-07-10 16:15:40
139阅读
Pytorch中nn.Conv2d的用法nn.Conv2d是二维卷积方法，相对应的还有一维卷积方法nn.Conv1d,常用于文本数据的处理，而nn.Conv2d一般用于二维图像。先看一下接口定义：class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=
转载
2023-07-26 16:58:32
165阅读
文章目录一、官方文档介绍二、torch.nn.Conv2d()函数详解参数详解参数dilation——扩张卷积（也叫空洞卷积）参数groups——分组卷积三、代码实例 一、官方文档介绍 nn.Conv2d：对由多个输入平面（多通道）组成的输入信号进行二维卷积 二、torch.nn.Conv2d()
转载
2024-02-15 19:48:42
336阅读
文章目录一、Pytorch中的Conv1d()函数二、Pytorch中的Conv2d()函数三、Pytorch中的MaxPool1d()函数四、pytorch中的MaxPool2d()函数参考资料 一、Pytorch中的Conv1d()函数class torch.nn.Conv1d(
in_channels,
out_channels,
kernel_size,
strid
转载
2023-11-10 21:01:24
94阅读
# PyTorch Conv2d原理
在深度学习中，卷积神经网络（CNN）是一种非常重要的架构，广泛应用于图像处理、视频分析以及自然语言处理等多个领域。其核心组件之一就是卷积层。本文将重点讲解PyTorch中的`Conv2d`层，它可以实现对2D数据进行卷积操作。我们将通过理论和代码示例结合来深入理解这个概念，最后用类图和序列图来更好地理解其内部机制。
## 1. 卷积的基本概念
卷积操作是
原创
2024-08-26 07:07:05
216阅读
pytorch入门教程：构造一个小型CNN 学过深度卷积网络的应该都非常熟悉这张demo图（LeNet）： 此图是LeNet的结构图，把32*32的手写英文字符图片作为输入，训练出一个对于手写字符的分类器我们训练这个网络必须经过4步：第一步：将输入input向前传播，进行运算后得到输出output第二步：将output再输入loss函数，计算loss值（是个标量）第三步：将梯度
转载
2024-09-23 20:07:17
37阅读
