教程同济子豪兄 https://space.bilibili.com/1900783代码运行云GPU平台：https://featurize.cn/?s=d7ce99f842414bfcaea5662a97581bd1DFF https://jacobgil.github.io/pytorch-gradcam-book/Deep Feature Factorizations.html可解释性分析方
转载
2024-01-29 21:26:28
53阅读
（给机器学习算法与Python学习加星标，提升AI技能）GPT-3最近又开始火起一阵，关于GPT-3的各种精彩文章现在也很多，其中不光有展示了它生成结果的，也有对结果一些思考的，还有可视化其工作原理的。由于GPT-3各种参数应用太强大，以至于深度学习之父Hinton都发推特表示，从GPT-3惊人的性能可以推测，生命、宇宙和万物的答案，只是4万亿个参数而已。虽然都已经有了这些资料，但文摘菌还是花了很
转载
2024-01-10 23:52:33
190阅读
前言：本人研究领域为交通方面，做科研需要搭建GCN有关的网络，比如GCN-GAN【1】，基于GCN的权值完成网络【2】，以及基于这些网络的新的GCN网络框架。但是搜索了一些网上使用pytorch搭建GCN网络的资料，只有github上面的无解释代码和最近几年发表的论文，有详细讲解的资料很少，这对于快速入门GCN实战，会有很大的门槛，鉴于此，经过几天的探索实战，我将自己的关于使用pytorch搭建G
GPT分区是一种全新的分区结构，它是硬盘分区表结构的升级标准。MBR的分区结构已经不能满足当下科技发展的需求。它和电脑硬件升级是一个道理，所以说软件和硬件是相辅相成的关系，都需要更新换代。只不过软件的更新换代是在硬件的基础之上开发并更新的。GPT分区也是硬件发展的需要，就像鱼儿离不开水一样。MBR分区与GPT分区GPT(GUID Partition Table)中文名称叫做全局唯一标识分区表。它和
转载
2023-09-27 17:10:49
185阅读
文章目录GAN代码实操导包导入参数＋建立输出文件夹设定cuda加载数据定义模型并将模型移到device上做DataParallel数据并行定义损失函数和优化器反归一化开始训练在训练过程中动态自定义进度条显示信息网络优化（for循环内部）训练成果展示数据并行化用单卡运行用多卡做数据并行DataParallel GAN代码实操GAN的理论部分已经讲过，下面是代码实战。可以生成MNIST数据集的手写数
转载
2023-10-24 07:21:06
146阅读
生成式建模知识回顾: [1] 生成式建模概述 [2] Transformer I，Transformer II [3] 变分自编码器 [4] 生成对抗网络，高级生成对抗网络 I，高级生成对抗网络 II [5] 自回归模型 [6] 归一化流模型 [7] 基于能量的模型 [8] 扩散模型 I, 扩散模型 II在本文中，我们将使用 PyTorch 构建一个类似于 GPT-3 的简单decoder-onl
# 使用 PyTorch 实现 GPT-2 模型的指南
在本篇文章中，我们将一步一步地学习如何使用 PyTorch 进行 GPT-2 模型的搭建和使用。GPT-2 是 OpenAI 开发的一种语言生成模型，它能够根据输入的文本生成合理的下文。本文将详细介绍实现流程，并提供完整的代码和解释。
## 实现流程概述
在开始之前，我们来看看实现 GPT-2 的主要步骤。以下是步骤的总结：
| 步骤
VGG网络结构的代码搭建以及代码的详细解析(基于PyTorch)import torch.nn as nn
import torch
from torchvision import transforms
import cv2
import math
class VGG(nn.Module):
def __init__(self, features, num_classes=1000, i
转载
2023-08-30 15:53:01
103阅读
代码改进自定义一个类GuidedBackpropReLU_Module_by_cxq,它继承自torch.nn.Module并且内部完成了GuidedBackpropReLU(该类继承了torch.autograd.Function)的逻辑,然后不再直接使用GuidedBackpropReLU,而是通过使用GuidedBackpropReLU_Module_by_cxq类完成这部分的功能,并且在G
opennmt-pytorch版本学习原文来自——opennmt-pytorch的官方文档Quickstart — OpenNMT-py documentation快速入手0、准备好opnmt-pypip install --upgrade pip
pip install OpenNMT-py更详细的指导在这里https://github.com/ymoslem/OpenNMT-Tutorial1
转载
2023-12-21 05:06:35
161阅读
# RetinaNet在PyTorch中的实现
RetinaNet是一种用于目标检测的深度学习模型，由Facebook AI Research提出。其创新的焦点在于Focal Loss，使其在处理类不平衡数据集时表现优越。本文将介绍如何用PyTorch实现RetinaNet，并提供代码示例。
## RetinaNet的基本结构
RetinaNet主要由两个部分组成：骨干网络（Backbone
原创
2024-09-06 05:26:29
110阅读
## PyTorch实现神经网络
PyTorch是一个开源的深度学习框架，可以方便地构建神经网络模型。在本文中，我们将介绍如何使用PyTorch实现一个简单的神经网络模型。我们将以实现一个简单的全连接神经网络为例，来说明PyTorch的使用方法。
### 序列图
下面是一个简单的序列图，展示了我们将要实现的神经网络模型的训练过程：
```mermaid
sequenceDiagram
原创
2024-06-03 04:10:46
171阅读
# 使用 PyTorch 实现图注意力网络（GAT）的完整指南
## 引言
图注意力网络（GAT）是一种用于图神经网络的创新结构，该结构能够通过自注意力机制在节点之间传播信息。在本篇文章中，我们将逐步实现一个简单的 GAT。本文适合刚入行的小白开发者，旨在帮助他们理解如何使用 PyTorch 库来构建 GAT 模型。
## 整体流程
在开始之前，我们先了解一下实现 GAT 的总体步骤，具体
## 深度学习语义分割模型SegNet及其PyTorch实现
在计算机视觉领域中，语义分割是一项重要的任务，它旨在将图像中的每个像素分配到相应的类别，从而实现对图像内容的详细理解。SegNet是一种经典的语义分割模型，它采用了编码器-解码器结构，在保留空间信息的同时减少了参数量，使得训练更加高效。
### SegNet的原理
SegNet的编码器部分由卷积层和池化层组成，用于提取图像特征并减
原创
2024-06-10 04:14:27
236阅读
# PyTorch SSD代码实现：快速入门
在计算机视觉领域，物体检测任务已成为一个重要的研究方向。单阶段检测器（如SSD - Single Shot MultiBox Detector）因其高效性而受到广泛的关注。本文将介绍SSD的基本概念，并提供一个简单的PyTorch代码实现示例。
## 什么是SSD？
单阶段多框检测器（SSD）是一种实时目标检测框架，通过在图像的不同尺度上进行卷积
# 理解图神经网络（GNN）及其在PyTorch中的实现
图神经网络（GNN）是一种专门用于处理图结构数据的深度学习模型。图是一种数据结构，可以表示实体及其之间的关系，例如社交网络、分子结构或推荐系统中的用户与物品之间的连接。传统的神经网络往往无法有效处理这类数据，而GNN则提供了一种强有力的方法来进行图数据的学习和推理。
## 图神经网络简介
图神经网络能够通过图的结构和节点特征进行信息的
在本文中，我们将深入探讨在 PyTorch 中实现双向长短期记忆网络（BiLSTM）的过程。BiLSTM 是一种强大的循环神经网络（RNN）变体，广泛应用于时间序列分析和自然语言处理等任务。通过结合正向和反向的时间信息，BiLSTM 在捕捉序列数据的复杂依赖关系方面具有明显的优势。
## 背景描述
在许多机器学习应用中，处理时间序列数据和文本数据是至关重要的，尤其是在自然语言处理领域。双向 L
文章目录0. 前言1. What is PyTorch2. Autograd: Automatic differentiation3. Neural Networks4. Training a classifier 0. 前言官网本文目标：
总体了解PyTorch的Tensor以及神经网络相关内容。训练一个简单的图像分类网络。主要内容（对我来说的要点）：
What is PyTorch
转载
2024-10-28 00:07:07
90阅读
# MADDPG算法在PyTorch中的实现
在多智能体环境中，如何高效地进行协作与竞争是一个重要的研究方向。MADDPG（Multi-Agent Deep Deterministic Policy Gradient）作为一种深度强化学习算法，在多智能体协作中表现出了良好的效果。本文将用PyTorch来实现MADDPG，并提供必要的代码示例，以方便读者理解算法的实现过程。
## MADDPG算
# 基于GAT的图神经网络在PyTorch中的实现
近年来，图神经网络（GNN）因其在社交网络、推荐系统、分子建模等领域的优越表现而受到广泛关注。图注意力网络（Graph Attention Network, GAT）是其中一种重要的GNN变体，利用了注意力机制在图结构数据中的有效性。本文将深入探讨GAT的基本概念，并提供使用PyTorch实现GAT的代码示例，帮助读者理解如何在实际应用中利用图
