1. 概述本文主要是参照 B 站 UP 主 霹雳吧啦Wz 的视频学习笔记，参考的相关资料在文末参照栏给出，包括实现代码和文中用的一些图片。整个工程已经上传个人的 github https://github.com/lovewinds13/QYQXDeepLearning ，下载即可直接测试，数据集文件因为比较大，已经删除了，按照下文教程下载即可。论文下载：Very Deep Convolution
## PyTorch 中 `backward` 的 `create_graph` 详解
在深度学习中，反向传播是一个关键步骤，它帮助我们通过计算损失函数相对于模型参数的梯度来更新参数。PyTorch 提供了非常灵活的方式来进行这一过程，尤其是通过 `backward` 方法。今天，我们将重点讨论 `backward` 方法中的 `create_graph` 参数，帮助你更好地理解其作用和使用场景
原创
2024-10-14 05:16:43
78阅读
基础知识tensors：tensor在pytorch里面是一个n维数组。我们可以通过指定参数reuqires_grad=True来建立一个反向传播图，从而能够计算梯度。在pytorch中一般叫做dynamic computation graph(DCG)——即动态计算图。import torch
import numpy as np
# 方式一
x = torch.randn(2,2, requ
转载
2024-09-13 14:25:39
46阅读
Pytorch 中retain_graph的坑在查看SRGAN源码时有如下损失
原创
2023-06-09 14:03:11
117阅读
# 生成Graph图片的Java方案
在软件开发过程中，常常需要生成Graph图来展示数据或者关系。Java是一种常用的编程语言，可以使用Java库来生成Graph图片。本文将介绍如何使用Java生成Graph图片的方案，并提供代码示例。
## 问题描述
我们需要生成一个简单的Graph图，包含节点和边，以展示数据间的关系。
## 解决方案
### 使用JUNG库生成Graph图片
[
原创
2024-07-08 04:11:44
108阅读
RuntimeError: Trying to backward through the graph a second time, but the buffers have already been freed. Specify retain_graph=True when calling backward the first time.前言在pytorch神经网络迁移的官方教程中有这样一个损失层函数（具体看这里提供0.3.0版中文链接：https://oldpan.me/archives/pyto
原创
2021-08-12 17:47:15
805阅读
# PyTorch中的动态图和计算图
在深度学习中，理解数据的流动和模型的结构是至关重要的。PyTorch是一个广受欢迎的深度学习框架，因其动态计算图（Dynamic Computation Graph）特性，让用户可以即时查看和调试模型。在本文中，我们将探讨如何在PyTorch中查看计算图，并提供一些代码示例。
## 为什么要查看计算图？
在深度学习模型的训练过程中，了解计算图的结构有助于
原创
2024-10-12 03:55:17
103阅读
# 使用TensorBoard可视化PyTorch图的步骤
作为一名经验丰富的开发者，我将向你介绍如何使用TensorBoard来可视化PyTorch图。在这篇文章中，我将按照以下步骤来教你实现这个目标：
1. 安装必要的库和工具
2. 创建PyTorch图
3. 配置TensorBoard
4. 运行TensorBoard
接下来，我将详细说明每个步骤的具体操作，并提供相应的代码。
##
原创
2023-12-28 07:10:05
44阅读
# PyTorch Eager Graph
本文将介绍PyTorch中的eager graph机制，并提供相关代码示例。eager graph是PyTorch的一个重要特性，它使得PyTorch能够在动态图模式下进行开发和调试。通过eager graph，开发者可以直接操作Tensors，而无需定义和调用静态图。
## 什么是eager gra
原创
2023-09-21 00:35:19
208阅读
本节笔记内容具体是学习tensorboard中的两个方法分别是scalar和histogram，一共分为3个部分：（1）首先学习SummaryWriter类；（2）其次，学习两个基本方法记录标量add_scalar和直方图可视化add_histogram；（3）最后，使用scalar和histogram来监控模型指标（分别有Loss曲线、Acuracy曲线以及参数分布、参数所对应的梯度分布情况）t
转载
2023-08-13 21:50:05
160阅读
etric PyTorch Geometric 主要是现有模型快速重新实现的集合，其自定义稀疏/分散操作也非常方便。基于PyTorch构建，用于处理不规则结构化输入数据（如图、点云、流形）。除了一般的图形数据结构和处理方法外，它还包含从关系学习到3D数据处理等领域中最新发布的多种方法。通过利用稀疏 GPU 加速、提供专用的 CUDA 内核以及为不同大小的输入样本引
转载
2023-12-19 14:52:05
27阅读
本文参加新星计划人工智能(Pytorch)赛道：目录一、项目介绍二、准备工作三、实验过程3.1数据预处理3.2拆分数据集3.3构建PyTorch模型3.3.1.数据转换3.3.2定义模型架构3.3.3定义损失准则和优化器3.3.4创建数据加载器3.3.5训练模型四、原理讲解五、补充一、项目介绍 在此项目中
转载
2023-09-20 06:59:28
166阅读
PyG异构图学习举个例子创建异构图Utility函数异构图Transformations创建异构图神经网络自动转换GNN模型使用异构卷积包装器部署现有的异构算子异构图采样参考资料 大量真实世界数据集存储为异构图，这促使Pytorch Geometric（PyG）中引入专门的功能。例如，推荐领域中的大多数图（如社交图）都是异构的，因为它们存储关于不同类型的实体及其不同类型的关系的信息。本文介绍如
转载
2024-07-03 21:46:09
123阅读
# pytorch Graph Attention Network
## 概述
在机器学习领域，图(Graph)是一种广泛应用的数据结构，用于表示各种实体之间的关系。图神经网络(Graph Neural Network, GNN)是一类专门用于处理图数据的神经网络模型。
随着深度学习的发展，图神经网络的研究也取得了很大的进展。其中，图注意力网络(Graph Attention Network,
原创
2023-12-18 08:31:09
84阅读
一、前言印象中，jmeter在图表展示方面是比较弱的，需要依赖各种插件才能展示需要的图表，而且界面还很土！终于，在jmeter3.0版本推出了一个很重要的新功能，就是能够自动生成html性能图表，功能相当强大！我们先来看一眼主界面： 这里只放两张图，其它还有各种性能指标的图表，就不一一展示了。 二.功能简介JMeter3.0提供一个用于生成HTML页面格式图形化报告的扩展模块。
**PyTorch中可以直接调用Graph Attention吗？**
*摘要：Graph Attention（图注意力）是一种用于处理图数据的机器学习算法，它能够为图中的每个节点赋予不同的注意力权重。虽然PyTorch本身没有直接提供Graph Attention的实现，但可以使用PyTorch Geometric（PyG）扩展库来实现。本文将介绍什么是Graph Attention，以及如何
原创
2023-12-10 13:57:37
235阅读
这篇文章主要是之前一段时间的总结，内容是有关PyTorch中卷积部分的源码。文章不会很透彻的去研究源码，只是大概地总结一下，主要内容有：PyTorch-拓展模块PyTorch对于卷积的内部实现为什么有了cudnn还需要PyTorch实现卷积？ 很感谢网上的优质博客，正是因为有了知识的共享，人们的生活质量才会不断提高~ 本人参考源码实现的卷积链接: [点我跳转]，为PyTorc
转载
2024-04-16 21:35:45
104阅读
如何获取pytorch的动态图？model = torch.jit.load("test.pth")
graph = model.graph.copy()
torch._C._jit_pass_inline(graph)
node_list = graph.nodes()加载模型后，获取模型的graph，这个graph就是需要的动态图。graph node就是计算图的计算节点（有序）,关于各个层的
转载
2023-08-17 10:48:31
98阅读
Pytorch 中retain_graph的用法用法分析在查看SRGAN源码时有如下损失函数，其中设置了retain_graph=True,其作用是什么？############################
# (1) Update D network: maximize D(x)-1-D(G(z))
###########################
转载
2024-06-07 06:38:33
17阅读
# Hadoop中的图处理
在现代大数据处理中，图形数据的处理变得愈发重要。Hadoop作为一个强大的分布式计算框架，能够有效处理大量图形数据。本文将探讨Hadoop在图处理中的应用，结合示例代码和数据可视化，帮助读者更好地理解这一技术。
## 1. 图的基本概念
在计算机科学中，**图（Graph）**是一种数据结构，由一组顶点（节点）和一组边（连接）组成。图可以是有向的（有方向的边）或无
