张量：1.张量是PyTorch中基本的数据结构。张量是一个数组，即一种存储数字集合的数据结构，这些数字可通过索引单独访问，也可通过多个索引进行索引。2.张量与list的区别 Python列表或数字元组（tuple）是在内存中单独分配的Python对象的集合； PyTorch张量或NumPy数组（通常）是连续内存块上的视图（view），这些内存块存有未
转载
2024-04-18 13:52:07
46阅读
计算图与动态图机制 文章目录计算图与动态图机制计算图grad_fn: 记录创建该张量时所用的方法动态图vs 静态图 计算图与动态图机制计算图1、什么是计算图？什么是计算图？2、计算图与梯度求导用代码验证一下上面图片的例子：import torch
w = torch.tensor([1.], requires_grad=True)
x = torch.tensor([2.], requires_
转载
2024-01-08 14:59:39
261阅读
Python中的三类方法/函数Python中有三类方法，实例方法（Instance Method）、静态方法（Static Method）和类方法（Class Method）。如果只是编写一些简单的Python脚本，那么了解这三类方法的区别没有什么大的鸟用。但是，如果是为了OOP，那么深入理解这三类方法还是非常有必要的。。。吧开始之前：理解装饰器模式了解这三类方法的区别之前，得要先了解装饰器模式（
转载
2024-08-29 21:28:09
58阅读
title: TensorFlow-静态图和PyTorch-动态图区别categories:KnowledgePyTorchtags:KnowledgePyTorchTensorFlow计算图TensorFlow-静态图和PyTorch-动态图区别最近在重新学习一遍pytorch，之前对于自动求导中的计算图的概念不是很清楚，这里从头看了一遍，有了解一下，简单的写一下自己的笔记。PyTorch自动求
转载
2024-01-15 03:11:21
66阅读
章节目录：1 动态图的初步推导2 动态图的叶子节点3. grad_fn4 静态图本章节简单缕一缕PyTorch的动态图机制与Tensorflow的静态图机制（最新版的TF也支持动态图了似乎）。1 动态图的初步推导计算图是用来描述运算的有向无环图计算图有两个主要元素：结点（Node）和边（Edge）；结点表示数据 ，如向量、矩阵、张量;边表示运算 ，如加减乘除卷积等；上图是用计算图表示：其中呢， ，
转载
2021-04-08 16:59:52
228阅读
本章节缕一缕PyTorch的动态图机制与Tensorflow的静态图机制（最新版的TF也支持动态图了似乎）。 其中呢，$a=x+w$ ，$b=w+1$ , $y=a∗b$. (a和b是类似于中间变量的那种感觉。) Pytorch在计算的时候，就会把计算过程用上面那样的动态图存储…
原创
2021-05-19 21:07:14
423阅读
PyTorch量化示例项目：轻量级深度学习的新里程碑 技术分析PyTorch量化是基于其torch.quantization模块实现的。该模块提供了动态和静态两种量化模式：动态量化：在运行时进行量化，允许模型的不同部分以不同的精度运行。这在保持精度的同时具有较好的灵活性。静态量化：在模型训练完成后一次性完成，为所有操作和张量分配固定的精度。这种方式通常能提供更好的性能提升，但需要更多的预
转载
2024-10-11 18:14:39
111阅读
# 使用 PyTorch 生成静态库的实践
在现代深度学习领域，PyTorch 是一个非常流行的框架，因其灵活性和易于使用而受到广泛欢迎。很多研究者和开发者在使用 PyTorch 进行模型训练时，可能希望将训练好的模型以静态库的形式进行分享和部署，从而提高使用效率和兼容性。本文将介绍如何利用 PyTorch 生成静态库，并包含相应的代码示例和图示，帮助你更好地理解这一过程。
## 一、静态库的
文章目录一、计算图与动态图机制1.静态图与动态图二、torch.autograd—自动求导系统 一、计算图与动态图机制 计算图是用来描述运算的有向无环图。计算图有两个主要元素:结点(Node)和边(Edge)。结点表示数据，如向量,矩阵,张量；边表示运算，如加减乘除卷积等。下面用计算图表示: 采用计算图描述运算的好处：不仅使得运算更加简洁，而且使得梯度求导更加方便。下面用代码展示上述计算图梯度
转载
2023-08-21 18:09:02
891阅读
目录一. 抠图概述1. 抠图2. 语义分割和抠图的协同处理二. MNet算法和Pytorch实现1. MNet算法原理2. 环境配置3. 数据集4. 加载数据集5. 模型构建6. 训练三. 总结参考文献 一. 抠图概述语义分割模型能够从复杂的背景中准确的分割出前景边界，但是在提取边界细节信息时效果并不是很理想。本文将详细阐述如何
转载
2024-05-24 15:56:05
125阅读
问题图像的张量结构为（C，H，W），而plt可以显示的图片格式要求（H，W，C），C为颜色通道数，可以没有。 所以问题就是将Tensor（C，H，W）=> numpy（H，W，C）解决办法def transimg(img):
img = img / 2 + 0.5 # unnormalize
npimg = img.numpy()
npimg1 = np.transp
转载
2023-06-02 10:04:24
136阅读
前言Pytorch是torch的python版本，是由Facebook开源的神经网络框架，专门针对 GPU 加速的深度神经网络（DNN）编程，根据我在网上的了解，相比于Tensorflow，Pytorch简介易用。一、为什么选择Pytorch简洁：PyTorch的设计追求最少的封装，尽量避免重复造轮子。PyTorch的源码只有TensorFlow的十分之一左右，更少的抽象、更直观的设计
转载
2023-08-21 14:04:58
130阅读
2014 年，Bahdanau 等人针对机器翻译任务提出了注意模型，现在它已成为一种常用的神经网络方法。近日，谷歌大脑在 arXiv 上公布了一篇新论文，提出使用注意机制增强卷积以加强获取全局相关性的能力。在图像分类和目标检测上的实验结果表明这种方法确实有效。卷积神经网络(CNN)在大量计算机视觉应用中取得了极大成功，尤其是图像分类。卷积层的设计需要通过受限的感受野来确保局部性(locality)
转载
2023-10-16 00:00:14
92阅读
PyTorch 的数据增强我们在安装PyTorch时，还安装了torchvision，这是一个计算机视觉工具包。有 3 个主要的模块：
torchvision.transforms: 里面包括常用的图像预处理方法
torchvision.datasets: 里面包括常用数据集如 mnist、CIFAR-10、Image-Net 等
torchvision.models: 里面包括常用的预训练好的模
PyTorch 图网络入门
# 1. 引言
图是一种强大的数据结构，能够描述许多现实世界中的问题，如社交网络、蛋白质相互作用等。为了处理这些图数据，图神经网络（Graph Neural Networks，简称GNN）应运而生。PyTorch是一个流行的深度学习框架，提供了丰富的工具和库来支持图神经网络的实现和训练。本文将介绍PyTorch图网络的基本概念，并提供代码示例来帮助读者入门。
#
原创
2023-09-13 16:57:14
80阅读
谷歌maps菜单语言设置 Heat maps are a popular way to represent data where each entity is associated with some intensity or magnitude. This article serves as a guide to making heat maps for spatial data using
# 使用 PyTorch 绘制频谱图的基本方法
频谱图（Spectrogram）是一种将音频信号在时间和频率域中进行可视化的图形表示，常用于音频处理、语音识别以及音乐信息检索等领域。本文将介绍如何使用 PyTorch 绘制频谱图，并附上相关代码示例，帮助读者理解频谱图的基本概念和实现过程。
## 1. 什么是频谱图？
频谱图用于展示信号的频率成分随时间变化的情况。频谱图的 X 轴通常表示时间
【error】Trying to backward through the graph a second time, but the saved intermediate results have already been freedRuntimeError: Tryingiate results have already been freed. Specify reta
原创
2022-05-14 19:53:49
519阅读
# 如何在PyTorch中实现热度图
在深度学习的过程中，热度图（Heatmap）是一种常用的可视化工具，特别是在处理图像分类等任务时，可以帮助我们更好地理解模型的决策过程。这篇文章将指导你如何使用PyTorch创建热度图，下面是大致的流程。
## 整体流程
首先，让我们展示实现热度图的步骤：
| 步骤 | 说明 |
|------|--------
原创
2024-10-27 06:35:19
81阅读
# 实现pytorch tsne图
## 概述
在本文中，我将向你介绍如何使用PyTorch库来实现t-SNE图。t-SNE（t-Distributed Stochastic Neighbor Embedding）是一种非线性降维算法，可以将高维数据可视化为二维或三维空间。这对于理解数据的结构和模式非常有帮助。让我们按照以下步骤来实现它。
## 整体流程
下表展示了实现pytorch tsn
原创
2024-02-01 04:53:39
534阅读
