国产无码综合区,色欲AV无码国产永久播放,无码天堂亚洲国产AV,国产日韩欧美女同一区二区

【AI】《動(dòng)手學(xué)-深度學(xué)習(xí)-PyTorch版》筆記（三）：PyTorch常用函數(shù)

2年前作者：郭老二分類(lèi)：Toy博客閱讀(26)違法舉報(bào)

這篇具有很好參考價(jià)值的文章主要介紹了【AI】《動(dòng)手學(xué)-深度學(xué)習(xí)-PyTorch版》筆記（三）：PyTorch常用函數(shù)。希望對(duì)大家有所幫助。如果存在錯(cuò)誤或未考慮完全的地方，請(qǐng)大家不吝賜教，您也可以點(diǎn)擊"舉報(bào)違法"按鈕提交疑問(wèn)。

AI學(xué)習(xí)目錄匯總

1、torch.arange

返回一維張量（一維數(shù)組），官網(wǎng)說(shuō)明，常見(jiàn)的三種用法如下

輸入：torch.arange(5)
輸出：tensor([0, 1, 2, 3, 4])
輸入：torch.arange(5, 16)
輸出：tensor([ 5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15])
輸入：torch.arange(1, 25, 2) 
輸出：tensor([ 1,  3,  5,  7,  9, 11, 13, 15, 17, 19, 21, 23])

2、tensor.shape、tensor.reshape

tensor.shape：查看張量的形狀
tensor.reshape：返回改變形狀后的張量，原張量不變文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-616070.html

輸入：x=torch.arange(12)
輸入：x
輸出：tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])
輸入：x.shape
輸出：tor

到了這里，關(guān)于【AI】《動(dòng)手學(xué)-深度學(xué)習(xí)-PyTorch版》筆記（三）：PyTorch常用函數(shù)的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！

本文來(lái)自互聯(lián)網(wǎng)用戶(hù)投稿，該文觀(guān)點(diǎn)僅代表作者本人，不代表本站立場(chǎng)。本站僅提供信息存儲(chǔ)空間服務(wù)，不擁有所有權(quán)，不承擔(dān)相關(guān)法律責(zé)任。如若轉(zhuǎn)載，請(qǐng)注明出處：如若內(nèi)容造成侵權(quán)/違法違規(guī)/事實(shí)不符，請(qǐng)點(diǎn)擊違法舉報(bào)進(jìn)行投訴反饋，一經(jīng)查實(shí)，立即刪除！

分享到：

領(lǐng)支付寶紅包贊助服務(wù)器費(fèi)用

【AI】《動(dòng)手學(xué)-深度學(xué)習(xí)-PyTorch版》筆記（十四）：多層感知機(jī)
在前面介紹過(guò)，使用softmax回歸來(lái)處理分類(lèi)問(wèn)題時(shí)，每個(gè)輸出通過(guò)都一個(gè)仿射函數(shù)計(jì)算，網(wǎng)絡(luò)結(jié)構(gòu)如下，輸入和輸出之間為全鏈接層：多層感知機(jī)就是在輸入和輸出中間再添加一個(gè)或多個(gè)全鏈接層，將中間的層稱(chēng)為“隱藏層”，下圖為添加了一個(gè)全鏈接層的網(wǎng)絡(luò)結(jié)構(gòu)：現(xiàn)實(shí)世
2024年02月13日
瀏覽(35)
【AI】《動(dòng)手學(xué)-深度學(xué)習(xí)-PyTorch版》筆記（十八）：卷積神經(jīng)網(wǎng)絡(luò)模型
發(fā)布時(shí)間：1989年模型目的：識(shí)別手寫(xiě)數(shù)字 1.3.1 相關(guān)函數(shù)原型 1）nn.Conv2d：卷積層
2024年02月13日
瀏覽(90)
【AI】《動(dòng)手學(xué)-深度學(xué)習(xí)-PyTorch版》筆記（十一）：分類(lèi)問(wèn)題-softmax回歸
1）連續(xù)值與離散值線(xiàn)性回歸模型，適用于輸出為連續(xù)值的情景。 softmax回歸模型，適用于輸出為離散值的情景。例如圖像類(lèi)別，就需要對(duì)離散值進(jìn)行預(yù)測(cè)。softmax回歸模型引入了softmax運(yùn)算，使輸出更適合離散值的預(yù)測(cè)和訓(xùn)練。 2）輸出個(gè)數(shù) 線(xiàn)性回歸模型，輸出單元為1個(gè)，而
2024年02月14日
瀏覽(161)
【AI】《動(dòng)手學(xué)-深度學(xué)習(xí)-PyTorch版》筆記（十七）：卷積神經(jīng)網(wǎng)絡(luò)入門(mén)
我們?cè)谇懊鎸W(xué)習(xí)的多層感知機(jī)中，已經(jīng)認(rèn)識(shí)了全鏈接層，缺點(diǎn)很明顯，在稍微大點(diǎn)的網(wǎng)絡(luò)模型中，參數(shù)成指數(shù)級(jí)別增長(zhǎng)。參數(shù)量很快就達(dá)到數(shù)十億，這樣的量級(jí)幾乎無(wú)法計(jì)算。為此科學(xué)家們想出一個(gè)減少參數(shù)的方法：卷積。從全鏈接層到卷積的推論，使用如下兩個(gè)原則：平
2024年02月13日
瀏覽(59)
【AI】《動(dòng)手學(xué)-深度學(xué)習(xí)-PyTorch版》筆記（十二）：從零開(kāi)始實(shí)現(xiàn)softmax回歸
對(duì)于圖像算法，每個(gè)像素可以視為一個(gè)特征，例如圖像的分辨率為28x28，則有784個(gè)特征。而且常常將二維的圖像像素矩陣展開(kāi)為長(zhǎng)度為784的向量。本例中，將使用Fashion-MNIST數(shù)據(jù)集，它是一個(gè)服裝分類(lèi)數(shù)據(jù)集，可以將服裝分為10個(gè)類(lèi)別。輸入圖像的分辨率為28x28，即特征是長(zhǎng)度
2024年02月13日
瀏覽(23)
【AI】《動(dòng)手學(xué)-深度學(xué)習(xí)-PyTorch版》筆記（九）：從零開(kāi)始實(shí)現(xiàn)線(xiàn)性回歸的訓(xùn)練
在深度學(xué)習(xí)中，用來(lái)訓(xùn)練的數(shù)據(jù)集通過(guò)標(biāo)注來(lái)實(shí)現(xiàn)。咱們?cè)谶@一步使用函數(shù)來(lái)生成一組數(shù)據(jù)集定義數(shù)據(jù)生成函數(shù)：synthetic_data
2024年02月14日
瀏覽(23)
【AI】《動(dòng)手學(xué)-深度學(xué)習(xí)-PyTorch版》筆記（二十二）：?jiǎn)伟l(fā)多框檢測(cè)（SSD）
SSD（Single Shot MultiBox Detector）單發(fā)多框檢測(cè)。“Single shot”說(shuō)明SSD算法屬于one-stage（一段式）方法，“MultiBox”說(shuō)明SSD是多框預(yù)測(cè)（多尺度錨框/特征圖）。 SSD和YOLO一樣都是采用CNN網(wǎng)絡(luò)執(zhí)行one-stage（一段式）檢測(cè)，區(qū)別是： YOLO速度快，適用于實(shí)時(shí)物體檢測(cè)；但是精度略低，尤
2024年02月09日
瀏覽(25)
【AI】《動(dòng)手學(xué)-深度學(xué)習(xí)-PyTorch版》筆記（十六）：自定義網(wǎng)絡(luò)層、保存/加載參數(shù)、使用GPU
自定義網(wǎng)絡(luò)層很簡(jiǎn)單，三步即可完成繼承類(lèi)：nn.Module 定義初始化函數(shù)：__init__中定義需要初始化的代碼定義向前傳播函數(shù)：forward 1）定義網(wǎng)絡(luò)層
2024年02月13日
瀏覽(24)
【AI】《動(dòng)手學(xué)-深度學(xué)習(xí)-PyTorch版》筆記（十九）：卷積神經(jīng)網(wǎng)絡(luò)模型（GoogLeNet、ResNet、DenseNet）
發(fā)布時(shí)間：2014年 GoogLeNet的貢獻(xiàn)是如何選擇合適大小的卷積核，并將不同大小的卷積核組合使用。之前介紹的網(wǎng)絡(luò)結(jié)構(gòu)都是串行的，GoogLeNet使用并行的網(wǎng)絡(luò)塊，稱(chēng)為“Inception塊” “Inception塊”前后進(jìn)化了四次，論文鏈接： [1]https://arxiv.org/pdf/1409.4842.pdf [2]https://arxiv.org/pdf/150
2024年02月12日
瀏覽(110)
【AI】《動(dòng)手學(xué)-深度學(xué)習(xí)-PyTorch版》筆記（十八）：卷積神經(jīng)網(wǎng)絡(luò)模型(LeNet、AlexNet、VGG、NiN)
發(fā)布時(shí)間：1989年模型目的：識(shí)別手寫(xiě)數(shù)字 1.3.1 相關(guān)函數(shù)原型 1）nn.Conv2d：卷積層
2024年02月12日
瀏覽(27)