PyTorch 在学术界和工业应用研究中都获得了广泛的关注。它是一个深度学习框架，具有很大的弹性和大量的实用程序和功能，可以加快工作速度。PyTorch 的学习曲线不是那么陡峭，但在其中实现高效和干净的代码可能很棘手。在使用它超过 2 年之后，以下是我希望我在开始学习 PyTorch 时知道的最重要的 PyTorch 功能。1. 数据集文件夹人们在学习 PyTorch 时做的第一件事就是实现自己D
转载
2023-12-07 08:44:50
69阅读
# PyTorch Embedding 特征处理入门
在深度学习中，特征处理是数据预处理过程的重要组成部分。其中，嵌入（Embedding）技术用于将离散特征转换为连续的向量表示，广泛应用于自然语言处理、推荐系统等领域。在PyTorch中，用户可以方便地实现这一功能。本文将介绍PyTorch中的嵌入特征处理，并通过实例演示如何使用嵌入层。
## 什么是嵌入（Embedding）
嵌入是一种将
原创
2024-09-22 07:01:45
181阅读
# PyTorch中的Embedding处理类别特征
在深度学习中，处理类别特征是非常常见的任务。类别特征指的是一些离散的变量，例如性别、国家等。在传统机器学习中，我们通常使用独热编码（One-hot Encoding）来处理类别特征。然而，在深度学习中，我们可以使用嵌入（Embedding）来处理类别特征。PyTorch提供了一个Embedding类，用于将类别特征转换为连续的向量表示。
#
原创
2023-09-11 09:39:29
518阅读
日期：2020.10.28 主题：学习PyTorch概念知识一、PyTorch的历史Torch设计的关键特点：简化数值算法的发展；易于扩展；快速。缺陷：所支持的Lua语言未被广泛接受，相比之下，Python接受度更高。二、PyTorch是什么它是⼀个张量计算库，可由GPU驱动。 优点：Python优先框架；基于磁带的自动求导，动态图 (define by run)；轻松调试。三、使用计算图神经网络
转载
2023-12-23 21:12:28
72阅读
做nlp很多时候要用到嵌入层，pytorch中自带了这个层什么是embedding层我用最通俗的语言给你讲 在nlp里，embedding层就是把单词表[‘你’，‘好’，‘吗’] 编码成‘你’ --------------[0.2,0.1]
‘好’ --------------[0.3,0.2]
‘吗’ --------------[0.6,0.5]的向量的办法为什么要embedding这是写
转载
2023-06-06 00:18:53
348阅读
2013年Zeiler和Fergus发表的《Visualizing and Understanding Convolutional Networks》 早期LeCun 1998年的文章《Gradient-Based Learning Applied to Document Recognition》中的一张图也非常精彩，个人觉得比Zeiler 2013年的文章更能给人以启发。从
动动发财的小手，点个赞吧！ PyTorch 中用于图形捕获、中间表示、运算符融合以及优化的 C++
动动发财的小手，点个赞吧！PyTorch 中用于图形捕获、中间表示、运算符融合以及优化的 C++ 和 GPU 代码生成的深度学习编译器技术入门计算机编程是神奇的。我们用人类可读的语言编写代码，就像变魔术一样，它通过硅晶体管转化为电流，使它们像开关一样工作，
转载
2023-12-07 11:03:39
72阅读
最近开始利用Pytorch写一些深度学习的模型，没有系统的去学习pytorch的用法，也还没来得及去看别人的写法，先简单记录一些自己的想法。 利用Pytorch在写一些具有多个分支的模型时（比如具有特征融合、模型融合或者多个任务的网络结构），模型类该怎么写，loss会怎么传播，应该先将input融合再传入forward还是传入forward后再进行融合等问题。特征融合使用相同的模型对输入进行特征的
转载
2023-12-23 21:51:45
135阅读
这是ssd的第四篇博客。我们在上一篇博客讲了输入图片之后，会对输入的图片进行特征提取，得到一个一个特征层。这一篇博客，我们就会讲的到特征层之后，我们是如何进一步处理特征层，来进行分类和回归的。1）回顾我们在第二篇博客讲到：我们输入了一张300x300的图片，然后我们会把这张图片提取出38x38, 19x19, 10x10, 5x5, 3x3, 1x1的特征层，然后按照特征层的高宽，把图片分成对应大
转载
2023-11-08 21:32:14
121阅读
特征提取网络前面我们已经知道了SSD采用PriorBox机制，也知道了SSD多层特征图来做物体检测，浅层的特征图检测小物体，深层的特征图检测大物体。上一篇博客也看到了SSD是如何在VGG基础的网络结构上进行一下改进。但现在的问题是SSD是使用哪些卷积层输出的特征图来做目标检测的？如下图所示：从上图中可以看到，SSD使用了第4、7、8、9、10、11层的这6个卷积层输出作为特征图来做目标检测，但是这
转载
2023-11-06 23:47:39
124阅读
文章目录理论代码验证原生写法算法融合1.改造2.融合对比耗时 理论 论文中提及如何将一个训练时的多分支模块转换为单一的卷积，从而达到加速的目的。如下图所示： 代码验证 视频介绍的代码中并没有考虑BN层。原生写法 对应上图中(A)的第1幅小图：import torch
import torch.nn as nn
import torch.nn.functional as F
import tim
转载
2023-12-15 17:53:48
145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
126阅读
在深度学习中，特征组合是一个重要的预处理步骤。合理地组合特征可以显著提高模型的性能，尤其是在处理结构化数据时。对于使用PyTorch的开发人员来说，实现特征组合的过程并不复杂。下面将详细介绍环境准备、集成步骤、配置详解、实战应用、性能优化和生态扩展这几个部分，来帮助您更好地理解和实践特征组合。
## 环境准备
要顺利进行特征组合的实现，需要确保您的开发环境与各类库的兼容性。
```merma
# PyTorch特征融合教程
特征融合是深度学习中一个重要的步骤，尤其是在处理复杂任务如图像识别或自然语言处理时。PyTorch作为一个流行的深度学习框架，提供了强大的工具来实现特征融合。本文将带你一步步实现特征融合的过程，并提供详细的代码示例和注释。
## 流程概述
在我们开始之前，先来简单了解一下特征融合的基本步骤。以下是使用PyTorch进行特征融合的一般流程：
| 步骤 | 描述
摘要本章就开始进入SSD的学习，通过学习这些基础的目标检测算法更好的对比理解其它算法，多看几种代码的写法更容易找到适合自己书写的套路。ssd网络的6个特征图ssd采用的是vgg16的特征提取，在vgg16中提取二个特征图，之后又通过额外的增加卷积操作再次提取四个特征图，一种6个特征图。如下图 仔细看这里的特征图，第一个输出是（512，38，38）的特征图，这个是在vgg16中的第22层的输出（一共
转载
2024-07-31 17:45:11
28阅读
# PyTorch 获取特征的简单指南
在深度学习领域，特征提取是一个重要的环节。通过提取图像、文本或其他类型数据的特征，我们可以得到更具代表性的信息，从而为后续的模型训练提供基础。在本文中，我们将探索如何使用 Python 的深度学习库 PyTorch 来获取特征，并提供代码示例帮助你快速掌握这一技能。
## 什么是特征提取？
特征提取是机器学习和深度学习中的一项技术，它的目标是从输入数据
# PyTorch多路特征
PyTorch 是一个广泛用于深度学习的开源机器学习库，它提供了丰富的功能和灵活性，使得我们可以轻松地构建和训练深度神经网络模型。在实际的应用中，我们经常需要处理多个特征，这些特征可能来自不同的来源，有不同的数据类型，或者具有不同的重要性。在这种情况下，我们就需要使用 PyTorch 来处理多路特征，将它们合并或分开，以便进行更有效的训练和预测。
## 什么是多路特
原创
2024-06-11 05:27:07
35阅读
前几天学习的是一个x数据对应一个y数据，今天学习多个x数据对应一个y数据的情况。对于下面的数据集，每一行叫做 一
原创
2022-10-28 11:26:46
783阅读
模型中所用到的变量按能否直接运算分为两类。如果一个变量能直接运算，则为定量变量。对于这类变量，可以直接在模型里使用它。但是这样的使用方法隐含了变量的边际效应恒定这样一个假设。当需要去除这个隐藏的限制时，则可以将定量变量通过分段的方式转化为定性变量使用。如果一个变量不能直接运算，则为定性变量。为了能在模型里使用这类变量，通常将其转化为多个虚拟变量使用。但对于有序的定性变量，这样处理会损失掉变...
原创
2022-03-15 14:06:34
33阅读
对于机器学习模型，我们把他们分成基于树的模型和非基于树的模型，因为在处理他们的特征需要不同的方法。1.数值型特征如果一个特征的值特别大的话，那么会使得其在非树模型上占有很大的比例，所以我们通常对其做归一化处理。
Outliers：不管是对特征还是标签，异常数据对模型的鲁棒性都会带来较大的打击，所以常用取数据的99%来去除异常数据。
rank：在处理outlier的时候可以把数值型转化成rank排序
转载
2023-08-19 18:38:33
72阅读
