1.item：import torch
a = torch.tensor(5)
print(a) # tensor(5)
print(a.item()) # 52.求准确率的小testimport torch
# 预测概率 此处有两个输入。每行代表一个输入图片的预测输出。例如第一行代表：为第0种种类的概率为0.1，为第1种种类的概率为0.2
outputs = torch.tensor([[
转载
2024-01-04 01:13:01
145阅读
在深度学习中，PyTorch是一个非常流行的框架。它提供了强大的计算图功能，以及灵活的张量处理能力。在训练神经网络时，经常需要对输入数据或模型的某些部分进行选择或过滤。这个过程可以通过“mask”来实现，本文将详细介绍在PyTorch中使用mask的相关内容，包括环境准备、集成步骤、配置详解、实战应用、排错指南和性能优化。
### 环境准备
在开始之前，确保你有一个专业的开发环境。这里是一个简
导读非常简单实用的PyTorch模型的分布式指标度量库，配合PyTorch Lighting实用更加方便。找出你需要评估的指标是深度学习的关键。有各种各样的指标，我们可以评估ML算法的性能。TorchMetrics是一个PyTorch度量的实现的集合，是PyTorch Lightning高性能深度学习的框架的一部分。在本文中，我们将介绍如何使用TorchMetrics评估你的深度学习模型，甚至使用
转载
2024-01-03 15:07:37
7阅读
在本文中，我们将探讨如何在PyTorch中计算均方根误差（RMSE）以及可能遇到的各种问题解决策略。无论是深度学习模型的评估，还是回归算法的结果分析，RMSE总是一个关键的性能指标。下面将详细介绍此过程，从背景分析、参数解析、调试步骤到性能优化等各个方面。
```mermaid
timeline
title RMSE计算问题演进过程
2020-01 : 初识PyTorch，探索RMSE计
本系列教程适用于没有任何pytorch的同学（简单的python语法还是要的），从代码的表层出发挖掘代码的深层含义，理解具体的意思和内涵。pytorch的很多函数看着非常简单，但是其中包含了很多内容，不了解其中的意思就只能【看懂代码】，无法【理解代码】。 目录官方定义demoone-hot 官方定义torch.tensor.scatter_是PyTorch中的一个函数，用于将指定索引处的值替换为给
转载
2024-09-20 09:36:23
46阅读
前言：pytorch的模块Module类有很多的方法，前面的文章中已经介绍了四个常用的方法，这四个方法可以用于获取模块中所定义的对象（即每一个层）他们分别是children()、named_children()、modules()、named_modules()方法，本文介绍另外两个重要的方法，这两个方法会获取到模型中训练的参数（权值矩阵、偏置bias），这两个方法是model.state_dic
1、人民币二分类要求：将第四套人民币中的一元和一百元进行二分类；怎么建立一个预测模型呢？考虑上一个博客中的机器学习模型训练五大步骤；第一是数据，第二是模型，第三是损失函数，第四是优化器，第五个是迭代训练过程。这里主要学习数据模块当中的数据读取，数据模块通常还会分为四个子模块，数据收集、数据划分、数据读取、数据预处理。在进行实验之前，需要收集数据，数据包括原始样本和标签；有了原始数据之后，需要对数据
转载
2024-04-20 13:01:38
0阅读
CGAN的全拼是Conditional Generative Adversarial Networks，条件生成对抗网络，在初始GAN的基础上增加了图片的相应信息。这里用传统的卷积方式实现CGAN。import torch
from torch.utils.data import DataLoader
from torchvision.datasets import MNIST
from t
转载
2023-10-16 08:37:48
62阅读
# 理解 PyTorch 中的 c10：新手开发者指南
作为一位刚入行的小白，理解 PyTorch 中的 c10 模块可能会有点儿复杂。c10 是 PyTorch 中的一个核心组件，它提供了一些基础设施的构建块，最主要的作用是为其他 PyTorch 功能提供支持。
在这篇文章中，我们将通过具体的步骤来实现和使用 c10。下面是整个流程的总结：
| 步骤 | 描述 |
| ---- | ---
相对强弱指数RSI是目前流行最广，使用最多的技术指标之一，他是技术分析大师威尔德创造的。RSI之所以流行最广，是因为他不但可以应用在股票市场，在期货和外汇市场也有较好的应用。RSI是以一特定时期内股价的变动情况来推测价格未来的变动方向。简单的说，就是一段时间，股价涨幅和跌幅的比值，下图是公式。以上主要是理论，如果你不会写代码，也不需要过多了解，知道有那么回事就可以了。实际的应用中，一般我们用5日、
转载
2023-11-21 14:58:52
38阅读
PyTorch: Tensors这次我们使用PyTorch tensors来创建前向神经网络，计算损失，以及反向传播。 一个PyTorch Tensor很像一个numpy的ndarray。但是它和numpy ndarray最大的区别是，PyTorch Tensor可以在CPU或者GPU上运算。如果想要在GPU上运算，就需要把Tensor换成cuda类型。 import tor
转载
2023-11-20 12:48:46
218阅读
torch.save： 将序列化对象保存到磁盘。此函数使用Python的pickle模块进行序列化。使用此函数可以保存如模型、tensor、字典等各种对象。torch.load： 使用pickle的unpickling功能将pickle对象文件反序列化到内存。此功能还可以有助于设备加载数据。torch.nn.Module.load_state_dict： 使用反序列化函数 state_dict 来
转载
2024-05-28 11:55:16
49阅读
# 如何找到PyTorch官网上的模型
## 1. 整件事情的流程
首先，我们需要打开浏览器，并访问PyTorch的官方网站。然后，我们需要找到官方网站上的模型库。最后，我们可以在模型库中找到我们感兴趣的模型和相关信息。
### 甘特图
```mermaid
gantt
title 寻找PyTorch官网上的模型
section 访问官网
打开浏览器 :
原创
2024-05-18 04:28:18
142阅读
# PyTorch RMSE与平均绝对误差的处理指南
在深度学习和机器学习的领域性分析中，均方根误差(RMSE)和平均绝对误差(MAE)是评估模型性能的两种非常重要的指标。使用 PyTorch 进行计算和评估这些指标的过程相对直接。本文将详细阐述如何在 PyTorch 中实现 RMSE 和 MAE 的计算，涵盖从环境预检到最佳实践的各个方面。
## 环境预检
在开始之前，我们需要确保环境的准
目录引言（Introduction）生成对抗网络（Generative Adversarial Networks）什么是GAN？（What is a GAN?）什么是DCGAN？（What is a DCGAN?）输入（Inputs）数据（Data）实现（Implementation）权重初始化（Weight Initialization）生成器（Generator）判别器（Discriminat
转载
2024-01-24 10:43:08
7阅读
## PyTorch中的gather()函数的作用
### 引言
在PyTorch中，gather()函数是一个非常有用的工具，用于根据给定的索引从输入张量中获取特定的元素。它在模型训练和数据处理中经常被使用，特别是在处理序列数据或标签对应的索引时。本文将介绍gather()函数的作用以及如何使用它。
### gather()函数的流程
下面是使用gather()函数的基本流程：
| 步骤
原创
2023-07-31 08:41:07
304阅读
第一步：配置镜像源，安装必要环境更换镜像第二步：安装anaconda1 进入官网https://www.anaconda.com/2 下载linux的sh版3 在对应位置通过命令输入sh 文件名.sh4 选择 YES5 选择 NO （我们要自定义配置环境）第三步：安装完成Anconda后配置环境1 编辑环境变量vim ~/.bashrc2 添加内容export PATH="/自己对应的路径名/an
转载
2024-08-09 18:18:03
43阅读
CSS 新属性 clip-path，意味裁剪路径的意思，让我们可以很便捷的生成各种几何图形。clip-path 通过定义特殊的路径，实现我们想要的图形。而这个路径，正是 SVG 中的 path 。clip-path 属性api:/* Keyword values */
clip-path: none;
/* Image values */
clip-path: url(r
# 语义分割多分类的loss 计算和one-hot 编码
# 本文验证了语义分割任务下，单通道输出和多通道输出时，使用交叉熵计算损失值的细节问题。
# 对比验证了使用简单的函数和自带损失函数的结果，通过验证，进一步加强了对交叉熵的理解。
import torch
import torch.nn as nn
import torch.nn.functional as F
# 首先，假设我们研究的是
转载
2023-11-23 16:01:26
137阅读
均方误差（Mean Squared Error，MSE）：均方误差是最常见的图像恢复损失函数之一。它计算恢复图像与原始图像之间的像素级别差异的平均值的平方。MSE 损失函数趋向于使恢复图像的像素值与原始图像的像素值尽可能接近。均方根误差（Root Mean Squared Error，RMSE）：均方根误差是均方误差的平方根，它衡量恢复图像与原始图像之间的平均像素级别差异。RMSE 损失函数也常用
转载
2023-10-08 09:20:21
335阅读
