在上一篇文章中介绍了CIFAR10数据的获取，今天这篇文章对其继续进行优化，创建神经网络并打印出网络层次。1 增加引用引入torch中的神经网络import torch.nn as nn import torch.nn.functional as fun2 是否使用CUDA在获取CIFA10数据前，首先对GPU是否存在进行判断：首先使用CUDA；如果没有CUDA，再选择CPUdevice = to
1 CIFAR10cifar10 的官方网址：<http://www.cs.toronto.edu/~kriz/cifar.html>是由32\*32像素的60000张图片组成的数据集，50000张图片用于训练，10000张图片用于测试，其中有10个类别，每个类别有6000张图片，分类之间彼此独立，不会重叠，因此是一个单标签多分类的问题。2 读取CIFAR10数据首先在对图像做预处理，
1 张量的乘法张量乘法（Tensor Product）是一种在线性代数中常常使用的积分形式，它与标准的乘法类似，但在多个维度上进行操作。它在高维空间中的数学运算，有助于在机器学习中解决类似图像处理，自然语言处理和深度学习这样的复杂任务。张量乘法可以用来模拟神经元之间的连接，模拟神经元网络的发展。它也可以用来模拟复杂的模型，如语言模型，神经机器翻译，自动驾驶以及智能搜索等机器学习任务。张量乘法被视为
1 常用的比较运算函数功能lt/le/ne/eq/ge/gt小于/小于等于/不等于/等于/大于等于/大于topk最大的前K个数sort排序max/min最大值/最小值2 应用2.1 创建张量使用随机数创建两个2行3列的张量。2.2 比较大小lt() 方法，是进行逐元素比较，即两个张量中，所有对应位置上的数据进行两两比较，并会将其比较结果生成为一个包含 True/False 的布尔值的张量。lt()
1 归并操作在对 Tensor 进行归并操作时，会使输出的形状小于输入的形状，并可以沿着某一维度进行指定操作，如求和，既可以计算整个 Tensor 的和，也可以计算 Tensor 中每一行或者每一列的和。2 具体实现2.1 创建张量首先使用 torch.linspace(0,14,8) 在 0~14 之间生成8个数组成的一维张量；然后再使用 view() 方
1 广播机制介绍矩阵运算，往往只能在两个矩阵维度相同或者相匹配时才能运算。比如加减法需要两个矩阵的维度相同，乘法需要前一个矩阵的列数与后一个矩阵的行数相等。当参与运算的两个维度不同也不匹配的矩阵进行运算时，该机制会对数组进行扩展，使数组的shape属性值一样，这样，就可以进行矢量化运算了。通常情况下，小一点的数组会被 broadcast 到大一点的，这样才能保持大小一致。2 广播机制的规则2.1
1 访问 Tensor 中某个元素和Python中列表的下标一样，Tensor 的索引是基于零（Zero-based）开始计数的。比如我们想要获取向量/数组 a = [0, 1, 2, 3, 4] 中的第 2 个元素，我们可以使用 a[1]。也可以这样理解：一个标量是一个 0 维 Tensor；一个
1 进一步认识TensorTensor 是深度学习中最常用的数据结构之一，它可以看作是多维数组或矩阵的扩展。Tensor 可以表示各种信息，例如图像、声音、文本等等。每个元素可以是实数、整数或复数。Tensor 有以下属性：Rank（秩）：Tensor 的秩表示其维度的数量。Rank 为0表示该Tensor 是一个标量；Rank 为1表示它是一个向量；Rank 为2表示它是个矩阵。依此类推，Ran
1 Tensor介绍Tensor 是 tensorflow 的一个基础概念——张量。 是具有统一类型（称为 dtype）的多维数组。Tensorflow里的数据用到的都是tensor，所以谷歌起名为tensorflow。就像 Python 数值和字符串一样，所有张量都是不可变的：永远无法更新张量的内容，只能创建新的张量。Tensor 的数组里可以是零维（也可称为标量或一个数）、
1 PyTorch概述PyTorch是一个开源的Python机器学习库、一个开源的深度学习框架，基于Torch，用于自然语言处理等应用程序。2017年1月，由Facebook人工智能研究院（FAIR）基于Torch推出了PyTorch。它是一个基于Python的可续计算包，提供两个高级功能：1、具有强大的GPU加速的张量计算（如NumPy）。2、包含自动求导系统的深度神经网络。2&nbs
Copyright © 2005-2024 51CTO.COM 版权所有 京ICP证060544号
