引言文通过代码实现了AlexNet算法，使用的是pytorch框架，版本为1.7.1。另外本专栏的所有算法都有对应的Libtorch版本（Libtorch版本的AlexNet地址），算法原理本文不做过多阐述。本文针对小白对代码以及相关函数进行讲解，建议配合代码进行阅读，代码中我进行了详细的注释，因此读者可以更加容易理解代码的含义，本文只展示了部分代码，全部代码可以通过GitHub下载。本文使用的数
转载
2023-12-31 22:39:10
67阅读
官方教程网址：
转载
2023-06-25 20:29:39
63阅读
使用pytorch时所遇到的问题总结1、ubuntu vscode切换虚拟环境在ubuntu系统上，配置工作区文件夹所使用的虚拟环境。之前笔者误以为只需要在vscode内置的终端上将虚拟环境切换过来即可，后来发现得通过配置vscode的解释器(interpreter)具体方法如下：选中需要配置的文件夹，然后点击vscode左下角的写有“Python ***”的位置(或者使用快捷键“ctrl+shi
转载
2023-12-02 17:42:18
65阅读
Pytorch学习记录-torchtext和Pytorch的实例40. PyTorch Seq2Seq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RNN encoder-decoder训练短语表示用于统计机器翻译~~~~使用共同学习完
转载
2024-06-07 11:28:29
76阅读
文章目录介绍代码卷积自动编码器 参考《深度学习入门之Pytorch》 介绍 自动编码器最开始是作为一种数据压缩方法，同时还可以在卷积网络中进行逐层预训练，但是随后更多结构复杂的网络，比如 resnet 的出现使得我们能够训练任意深度的网络，自动编码器就不再使用在这个方面，下面我们讲一讲自动编码器的一个新的应用，这是随着生成对抗模型而出现的，就是使用自动编码器生成数据。 由上面的图片，我们能够看
转载
2023-09-25 10:54:52
100阅读
一个完整的Pytorch深度学习项目代码结构总体上看Pytorch模型的常用组件NetworkTransformsDatasetOptimizerRunTest回到项目结构上项目发布指南相关资料 很多Pytorch深度学习初学者在着手开发深度学习项目的时候，看了一些GitHub上开源的项目，感觉里边文件和文件夹很多不知道哪些是需要自己构建的文件，哪些是运行时生成的文件。为什么这些深度学习项目代
转载
2023-11-30 20:56:47
39阅读
自动编码器最开始是作为一种数据压缩方法，同时还可以在卷积网络中进行逐层预训练，但是随后更多结构复杂的网络，比如 resnet 的出现使得我们能够训练任意深度的网络，自动编码器就不再使用在这个方面，下面我们讲一讲自动编码器的一个新的应用，这是随着生成对抗模型而出现的，就是使用自动编码器生成数据。第一部分是编码器(encoder)，第二部分是解码器(decoder)，编码器和解码器都可以是任意的模型，
转载
2023-07-28 20:06:39
138阅读
这里记录一下想要将我们的深度学习代码封装 如何在windows上实现由于我比较习惯python 所以相对于qt师兄给我们推荐了pyqt以及pyinstaller 这两个一个做页面 一个来封装代码 所以这里记录一下学习过程先来安装 看如何在vscode里使用pyqt 查看这篇博文然后具体操作的步骤可以查看这个博客 各种步骤可以跟着学习把程序终端输出的内容输出到我设计的GUI界面我参考了这篇博客 这篇
转载
2024-07-18 19:59:07
88阅读
Transformer结构图先放一张原论文中的图。从inputs到Poitional Encoding在前三部分中已经分析清楚，接下来往后分析。Pytorch中对Transformer的调用Pytorch将图1中左半部分的神经网络层用一个TransformerEncdoer(encoder_layer,num_layers)类进行封装，该类的传参有两个：TransformerEncoderLaye
转载
2023-09-26 21:57:37
455阅读
前言最近在学习Adaptive Style Transfer并进行工程化实践，顺便总结一下深度学习中的Encoder-Decoder Architecture。正文Encoder-Decoder（编码-解码）是深度学习中非常常见的一个模型框架，一个encoder是一个接收输入，输出特征向量的网络（FC, CNN, RNN, etc）。这些特征向量其实就是输入的特征和信息的另一种表示。编码实际上就是
转载
2024-04-29 17:34:57
60阅读
目录Model部分的源码如下:data部分的源码如下 对于data部分的代码分析 1.Encoder部分的代码分析 （1）在Encoder中首先进入的是Embedding层。（2）在Encoder中第二次进入的是Positional层。（3）在Encoder中第三次进入的是get_attn_pad_mask，（4）最后一步进入的是layer层，也就是Enc
转载
2023-10-01 15:37:59
61阅读
首先要感谢这个在github上公开代码的大佬，很牛~“站在巨人的肩膀上”，这里记录一下最近一段时间理解这个代码的心得体会。一、模型输入数据1、create_input_files.py + utils.py(create_input_files函数)这两个东西，是用来生成输入模型的数据文件的，不是特别难理解，其中：(1)图像HDF5文件：由于直接输入图像会导致占用内存太多而降低效率(一般电脑都接受
转载
2023-08-16 11:21:06
379阅读
# PyTorch Encoder 的输入参数详解
在深度学习中，序列模型常常需要对输入数据进行编码，尤其是在自然语言处理和机器翻译任务中。PyTorch 提供了强大的工具用于实现这些模型，其中 `Encoder` 类是对输入序列进行编码的重要组成部分。本文将介绍 PyTorch 中 `Encoder` 的输入参数，并提供示例代码，帮助大家理解其工作原理。
## Encoder 类概述
`E
目录1.register_buffer( )的使用随着例子边看边讲例子1：使用类成员变量（类成员变量并不会在我们的model.state_dict()，即无法保存）例子2：使用类成员变量（类成员变量并不会随着model.cuda()复制到gpu上）例子3：使用register_buffer()总结2.Parameter与Buffer2.1 model.buffers()和model.named_b
本文将简述pytorch环境下的线性自编码器的实现： 本文内容： autoencoder简介；方法；Pytorch实现（线性层）图片重构 一、autoencoder简介深度学习自编码器是一种神经网络类型，可以从潜在code空间中重构图片；这里涉及到三个概念：1）encoder 2)decoder 3) code下面以图像为例进行说明：encoder：是个网
转载
2023-07-03 16:21:29
286阅读
在《Transformer的PyTorch实现之若干问题探讨（一）》中探讨了Transformer的训练整体流程，本文进一步探讨Transformer训练过程中teacher forcing的实现原理。1.Transformer中decoder的流程在论文《Attention is all you need》中，关于encoder及self attention有较为详细的论述，这也是网上很多教程在
转载
2024-06-28 03:24:34
198阅读
Pytorch学习记录-torchtext和Pytorch的实例60. PyTorch Seq2Seq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RNN encoder-decoder训练短语表示用于统计机器翻译~~~~使用
转载
2023-08-31 21:59:58
125阅读
过了两个月，代码能力不见提升。在此立誓，2月里剩下的日子每天都要敲代码。本文是Transformer的PyTorch实现（超详细）一文的学习转载。作者关于Transformer的讲解：Transformer详解。作者真的好强，评论里关于提升代码能力的建议：“多写少看”，也让我醍醐灌顶。数据预处理手动输入了两对德语→英语的句子，手动编码了每个字的索引。import torch
sentences =
转载
2023-10-16 23:03:14
101阅读
大家好，今天和各位分享一下 Transformer 中的 Encoder 部分涉及到的知识点：Word Embedding、Position Embedding、self_attention_Mask本篇博文是对上一篇 《Transformer代码复现》的解析，强烈建议大家先看一下：由于 Transformer 中涉及的知识点比较多，之后的几篇会介绍 Decoder 机制、损失计算、实战案例等。1
转载
2023-10-05 22:51:26
196阅读
# 使用 PyTorch 实现两个 Encoder 的详细指南
在深度学习模型中，使用多个编码器（Encoder）已经成为常见的需求。这通常在处理如序列到序列（Seq2Seq）任务时非常有效，比如机器翻译。本文将教您如何使用 PyTorch 实现两个编码器。我们将逐步完成这个任务，并在每一步提供详细的代码示例和解释。
## 流程概述
以下是实现两个编码器的基本流程：
| 步骤 | 说明
