0. 前言本节中，我们使用策略梯度算法解决 CartPole 问题。虽然在这个简单问题中，使用随机搜索和爬山算法就足够了。但是，我们可以使用这个简单问题来更专注的学习策略梯度算法，并在之后的学习中使用此算法解决更加复杂的问题。1. 策略梯度算法策略梯度算法通过记录回合中的所有时间步并基于回合结束时与这些时间步相关联的奖励来更新权重训练智能体。使智能体遍历整个回合然后基于获得的奖励更新策略的技术称为
文章目录1. autograd——自动求导系统1.1 torch.autograd.backward()1.2 torch.autograd.grad()1.3 autograd的Tips2. 机器学习模型训练步骤3. Logistic回归的简单实现 1. autograd——自动求导系统1.1 torch.autograd.backward()功能 自动求取梯度函数torch.autograd
转载
2024-07-22 21:41:51
53阅读
一、张量tensor张量的三个特征：秩、轴、形状张量的秩是指索引的个数，轴是指每一个维度的最大的索引的值，张量的形状提供了维度和索引的数量关系。经常需要对张量进行重塑t.reshape(1,9)利用上述函数可以将张量按任意想要的形状进行重塑下面我们考虑具体的情况，将张量带入CNN的输入中这里的张量的秩为4，即[B,C,H,W]，其中后两个维度作为每一个像素的长和宽的索引，第三个维度作为RBG或者灰
转载
2023-10-26 11:26:48
108阅读
张量对象张量（Tensor）是一种特殊结构，出于并行计算的需要设计，可在GPU等硬件加速器上运行。类似于数组和矩阵，用于对模型的输入输出，模型参数进行编码。 Pytorch中的Tensor类似于Numpy中的ndarray，二者可相互转换，且共享底层内存，可理解为同一数据引用的不同表现形式。修改其中之一会同时修改另一方。张量初始化可由现有数据对象创建张量，或根据维度创建：data = [[1, 2
转载
2023-08-21 09:16:40
162阅读
前言PyTorch 于 2016 年首次推出。在 PyTorch 之前，深度学习框架通常专注于速度或可用性，但不能同时关注两者。PyTorch将这两者相结合，提供了一种命令式和 Python编程风格，支持将代码作为模型，使调试变得容易，支持 GPU 等硬件加速器。PyTorch 是一个 Python 库，它通过自动微分和 GPU 加速执行动态张量计算。它的大部分核心都是用 C++ 编写的，这也是
转载
2023-09-27 22:27:49
298阅读
原创
2021-09-08 17:13:54
250阅读
PyTorch框架学习三——张量操作一、拼接1.torch.cat()2.torch.stack()二、切分1.torch.chunk()2.torch.split()三、索引1.torch.index_select()2.torch.masked_select()四、变换1.torch.reshape()2.torch.transpace()3.torch.t()4.torch.squeeze
转载
2024-06-24 21:00:13
110阅读
张量的操作：拼接、切分、索引和变换1张量的拼接与切分1.1 torch.cat(tensors,dim=0,out=None) 功能：将张量按维度dim进行拼接tensors：张量序列dim：要拼接的维度1.2 torch.stack(tensors,dim=0,out=None)功能：在新创建的维度dim上进行拼接tensors：张量序列dim：要拼接的维度区别：cat不会扩展张量的
转载
2024-02-23 18:51:53
101阅读
Tensors 张量 类似于NumPy的ndarrays，可以使用GPU进行计算。概念：张量（Tensor）是一个定义在一些向量空间和一些对偶空间的笛卡儿积上的多重线性映射，其坐标是|n|维空间内，有|n|个分量的一种量， 其中每个分量都是坐标的函数， 而在坐标变换时，这些分量也依照某些规则作线性变换。（1）r 称为该张量的秩或阶（与矩阵的秩和阶均无关系）。（2）在同构的意义下，第零阶
转载
2024-02-23 14:27:29
22阅读
Pytorch基础——张量1、认识张量2、创建torch数据3、张量的形状4、张量的索引、切片5、张量形状的改变6、张量的广播机制7、如何将numpy转换成Tensors8、常用操作8.1、torch.cat()8.2、torch.squeeze、torch.unsqueeze8.3、torch.view 1、认识张量Tensors（张量) Tensors张量，与numpy中的ndarray类似
转载
2023-09-03 13:05:29
86阅读
张量（Tensor）简单介绍Pytorch最基本的操作对象是Tensor（张量），它表示一个多维矩阵，张量类似于NumPy的ndarrays ，张量可以在GPU上使用以加速计算。生成数据的常用方法以及基本数据类型：构造一个随机初始化的矩阵torch.rand全 0 矩阵torch.zeros全 1 矩阵orch.ones直接从数据构造张量torch.tensor 32位浮点型
转载
2023-09-17 00:02:30
88阅读
Pytorch教程之张量说明：本文内容全部是搬运的，仅仅是记录一下，更多详细内容可以参考pytorch教程。1、简介Tensor中文翻译张量，是一个词不达意的名字。张量在不同学科中有不同的意义，在深度学习中张量表示的是一个多维数组，它是标量、向量、矩阵的拓展。标量是零维张量，向量是一维张量，矩阵是二维张量。 tensor之于pytorch等同于ndarray之于numpy，它是pytorch中最核
转载
2023-10-02 08:51:40
87阅读
Tensor是PyTorch中最基础的概念，其参与了整个运算过程，包含属性，如data, device, dtype等，tensor的基本创建方法，如直接创建、依数值创建和依概率分布创建等。 1、VariableVariable是0.4.0之前版本的一种数据类型。下面是variable的一些属性torch.autograd.Variable.data #就是这张量
torch.autog
转载
2024-05-15 09:28:35
83阅读
文章目录PyTorch 基础 : 张量张量(Tensor)基本类型Numpy转换设备间转换初始化常用方法 PyTorch 基础 : 张量在第一章中我们已经通过官方的入门教程对PyTorch有了一定的了解，这一章会详细介绍PyTorch 里面的基础知识。 全部掌握了这些基础知识，在后面的应用中才能更加快速进阶，如果你已经对PyTorch有一定的了解，可以跳过此章# 首先要引入相关的包
import
转载
2024-03-12 22:12:45
57阅读
简单的案例 目录简单的案例内容概况一、初始案例输出二、储备知识1.grad_fn属性2.叶子张量与根张量三.计算梯度1、叶子张量的梯度2、获取内部张量的梯度四.计算分支张量对于叶子张量的梯度 内容概况 举一个简单的例子：来记录下张量在梯度计算中的作用 一、初始案例输出requires_grad=Falseimport torch
x = torch.tensor([[1,2]],dtype=to
转载
2024-05-14 19:55:03
261阅读
梯度（gradient）是张量运算的导数。它是导数这一概念向多元函数导数的推广。多元函数是以张
原创
2022-09-13 15:20:10
1382阅读
一、torch.tensor()函数生成张量：A = torch.tensor([1.0,1.0],[2,2])
A
#tensor([1.,1.],
# [2.,2.])查看张量的一些属性：A.shape() #张量的维度
#torch.Size([2,2])
A.size() #张量的形状
#torch.Size([2,2])
A.numel() #张量中元素的数量
#4在使用to
转载
2023-11-02 06:48:02
86阅读
PyTorch是什么?这是一个基于Python的科学计算包，其旨在服务两类场合：替代numpy发挥GPU潜能一个提供了高度灵活性和效率的深度学习实验性平台pytorch下的张量类似于numpy下的数组，并且张量也可用于在GPU上对程序进行加速Tensor的定义：torch.tensor(data, dtype=None, device=None, requires_grad=False)1、Ten
【Pytorch】张量张量（Tensor）：张量是一个 n 维数组，是 Pytorch 中经常用到的一个数据类型，我们可以这样理解：一维张量等同于向量，二维张量等同于矩阵。创建张量：空张量：x = torch.empty(size)全0张量：# 创建一个指定形状的全0张量：
x = torch.zeros(size)
# 创建一个形状与给定张量相等的全0张量：
x = torch.zeros_li
转载
2023-09-22 12:01:56
121阅读
2.1数据操作 tensor："
tensor"这个单词一般可译作“张量”，张量可以看作是一个多维数组。标量可以看作是0维张量，向量可以看作1维张量，矩阵可以看作是二维张量。
2.2.1入门首先导入torchimport torch 使⽤
arange
创建⼀个⾏向量
x
。这个⾏向量包含以
0
开始的前
12
个整数，它们默认创建为整
转载
2024-03-30 22:22:47
195阅读
