总结 | 深度学习之Pytorch入门教程

article/2025/10/19 16:13:01

目录

一、整体学习的建议

    1.1 如何成为Pytorch大神？

1.2 如何读Github代码？

1.3 代码能力太弱怎么办？

二、Pytorch与TensorFlow概述

   2.1 什么是Pytorch?

2.1.1 Pytorch两个核心模块

2.1.2 Pytorch可视化：Visdom

2.1.3 Pytorch的优缺点

2.2 什么是TensorFlow

2.2.1 TensorFlow两个核心模块

2.2.2 TensorFlow可视化：TensorBoard

2.2.3 TensorFlow的优缺点

2.3 Pytorch和TensorFlow对比

三、Pytorch的一些简单命令

四、实现两层神经网络

4.1 如何用numpy实现两层神经网络

4.2 如何用torch实现两层神经网络

4.3 简单的autograd

如何使用autograd简化上面的两层神经网络？

最后pytorch的简单代码

五、Pytorch常用库

5.1 Pytorch:nn

5.2 Pytorch:optim

5.3 Pytorch:nn Module

 （本文笔记pdf版本可在【人工智能算法与Python大数据】后台回复8003 获取）

一、整体学习的建议

    1.1 如何成为Pytorch大神？

  • 打好深度学习基础

  • 学习Pytorch的官方tutorial

  • 打开Github，多看看教程

  • 使用 https://discuss.pytorch.org, 阅读文档

  • 跑代码，项目，论文代码

  • 复现，实现模型，自己创造

    1.2 如何读Github代码？

  1. 首先读简单的代码，比如三四个文件

  2. 然后十个文件

  3. 然后多个文件夹

  4. 整体套路是一样的

    1.3 代码能力太弱怎么办？

  • 最简单的办法就行训练

  • 抄代码，抄个100行，然后再写，再抄

  • 刚开始会不理解，后面要思考为什么这么写

  • 写代码的时候不要反复重复！Repeat no!

    二、Pytorch与TensorFlow概述

   2.1 什么是Pytorch?

  • Facebook开源，2017年，论文《PyTorch 中的自动微分》，地址：https://openreview.net/pdf?id=BJJsrmfCZ

  • 类似于Numpy，可以使用GPU，运行在CUDA上

  • PyTorch框架和Python语言的整合更加紧密

  • Pytorch动态图内置，可以定义深度学习模型，可灵活的进行训练和应用

  • 分布式训练并行化时，利用Python对异步执行的本地支持

    2.1.1 Pytorch两个核心模块

  1. 计算图，按照需求动态构建，图会随着执行过程而改变

  2. Autograd，执行动态图的自动微分

    2.1.2 Pytorch可视化：Visdom

  • 管理整体环境

  • 处理回调

  • 绘制图表细节

    2.1.3 Pytorch的优缺点

优点:

  • 类似Python的代码

  • 动态图

  • 轻松编辑

  • 良好的文档和社区支持

  • 开源

  • 很多项目都在使用

缺点：

  • 可视化需要第三方

  • 生产部署需要使用API服务器

    2.2 什么是TensorFlow

  • 谷歌开源，2015年，论文《TensorFlow：异构分布式系统上的大规模机器学习》，地址：http://download.tensorflow.org/paper/whitepaper2015.pdf

  • 使用GPU增强训练，使用的是内置的GPU进行加速

  • 分布式训练并行化时，必须手动编写代码，并微调每个操作

  • 使用TensorFlow Fold库实现动态图

  • 可实现并行化或依赖驱动式调度，训练更快更有效率

    2.2.1 TensorFlow两个核心模块

  1. 一个用于定义计算图以及在各种不同硬件上执行这些图的运行时间的软件库

  2. 一个计算图，计算图是以静态方式定义。与外部通信通过tf.Sessionobject和tf.Placeholder

    2.2.2 TensorFlow可视化：TensorBoard

  • 分析程序

  • 展示数据（图像，文本，音频）

  • 可视化计算图的操作和层数信息

  • 跟踪和实时可视化损失和准确度等相关指标

  • 查看权重、偏差、张量等随时间变化的直方图

    2.2.3 TensorFlow的优缺点

优点：

  • 简单的内置高级API

  • 使用TensorBoard可视化训练

  • 通过TensorFlow serving容易实现生产部署

  • 很容易的移动平台支持

  • 开源

  • 良好的文档和社区支持

缺点：

  • 静态图

  • 调试方法

  • 难以快速修改

    2.3 Pytorch和TensorFlow对比

1.学术界PyTorch已经全面超越TensorFlow，上手快，容易实现，验证想法

2.工业界TensorFlow仍然广泛应用，GPU部署方便

三、Pytorch的一些简单命令

第一步，导入torch：

import torch

构造一个未被初始化的3x5的矩阵

x = torch.empty(3,5)
x

生成一个随机初始化的3x5矩阵

x = torch.rand(3,5)
x

生成一个全部为0的矩阵

x = torch.zeros(3,5)
x
x.dtype
torch.float32

生成一个全部为0的矩阵,long的矩阵

x = torch.zeros(3,5,dtype = torch.long)
x
x.dtype
torch.int64
# 或者 x = torch.zeros(3,5).long()

直接通过数据构建tensor

x = torch.tensor([1.2,4])
x
tensor([1.2000,4.0000])

也可以通过已有tensor构建一个新的tensor

x = x.new_ones(3,5)
# 或者改变类型 x = x.new_ones(3,5,dtype=torch.double)

构建一个和上一个形状相同的tensor

x = torch.randn_like(x, dtype=torch.float)
x

得到tensor的形状

x.shape
torch.Size([3,5])

加法准则：

x + y
torch.add(x,y)
result = torch.empty(3,5)
torch.add(x,y, out = result)
result
# 效果与下面类似 result = x + y

in-place加法

注意，任何in-place的运算都会以结尾，比如x.copy(y) ,   x.t_()  ，这些都会改变x

y.add_(x)
y
# 注意，这里加了下划线，就把y直接进行更改了，效果等价于 y=y+x

类似于Numpy的索引在Pytorch 的 tensor上面都可以使用，类比matlab

x[1:,1:]

Resizing，想要resize、reshape一个tensor，可以使用torch.view

x = torch.randn(4,4)
y = x.view(16)
y = x.view(2,8)
# 也可以用-1代表其中一个，它会自动计算 y = x.view(2,-1)和 x.view（2,8）功能类似

dir(x)可以看看x包含哪些功能

data
grad

怎么使用？

x.data
x.grad
x.item 把tensor变成数字

Numpy和tensor之间的相互转换

a = tensor([1,1,1,1,1])
b = a.numpy()
b
array([1.,1.,1.,1.,1.], dtype=float32)

注意，这里a和b是共享空间的，其中一个变，整体都会变
把Numpy array 转换成 Torch Tensor

import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
b

如果我们有GPU，可以转换为 CUDA Tensors

if torch.cuda.is_available()    device = torch.device("cuda")    y = torch.ones_like(x, device=device)    x = x.to(device)    z = x + y    # 注意，这里是GPU的    print(z)    # 转换成CPU进行输出的话    print(z.to("cpu", torch.double))

注意，如果是GPU的tensor,是没办法直接用.data这类操作，必须先转换再操作

y.cpu().data.numpy()

numpy是CPU的库，并没有GPU的库，所以如果想使用numpy，但是你默认GPU产生的是tensor

四、实现两层神经网络

4.1 如何用numpy实现两层神经网络

一个全连接ReLU神经网络，一个隐藏层，没有bias。用来从x预测y，使用L2 Loss。

# 定义一些基本的信息，64个输入，每个输入是1000维，hidden是100维，输出是10维 N, D_in, H, D_out = 64, 1000, 100, 10 # 随机创建一些训练数据 # x是64个1000维，x是64x1000矩阵 # y是64个10维，y是64x10矩阵 x = np.random.randn(N, D_in)y = np.random.randn(N, D_out)# 随机初始化权重 # w1是1000个100维，w1是1000x100矩阵 # w2是100个10维，w2是100x10矩阵 w1 = np.random.randn(D_in, H)w2 = np.random.randn(H, D_out)learning_rate = 1e-6  for t in range(500):     # 前向传播，h是64x1000x1000x100=64x100     # h_relu是看哪个激活了，还是64x100     # y_pred是64x100x100x10=64x10     h = x.dot(w1) # N * H     h_relu = np.maximum(h, 0) # N * H     y_pred = h_relu.dot(w2) # N * D_out​     # compute loss     loss = np.square(y_pred - y).sum()     print(it, loss)​     # Backward pass     # 计算梯度，链式法则，挨个求导相乘     grad_y_pred = 2.0 * (y_pred - y)     grad_w2 = h_relu.T.dot(grad_y_pred)     grad_h_relu = grad_y_pred.dot(w2.T)     grad_h = grad_h_relu.copy()     grad_h[h<0] = 0      grad_w1 = x.T.dot(grad_h)     # 更新w1和w2的权重     w1 -=learning_rate * grad_w1     w2 -=learning_rate * grad_w2

4.2 如何用torch实现两层神经网络

这里将numpy修改为pytorch做这件事

pytorch用的是tensors

# 定义一些基本的信息，64个输入，每个输入是1000维，hidden是100维，输出是10维 N, D_in, H, D_out = 64, 1000, 100, 10 # 随机创建一些训练数据 # x是64个1000维，x是64x1000矩阵 # y是64个10维，y是64x10矩阵 # np.random要改为torch x = torch.randn(N, D_in)y = torch.randn(N, D_out)# 随机初始化权重 # w1是1000个100维，w1是1000x100矩阵 # w2是100个10维，w2是100x10矩阵 w1 = torch.randn(D_in, H)w2 = torch.randn(H, D_out)learning_rate = 1e-6  for t in range(500):     # 前向传播，h是64x1000x1000x100=64x100     # h_relu是看哪个激活了，还是64x100     # y_pred是64x100x100x10=64x10     # .dot改为mm     h = x.mm(w1) # N * H     # maximum改为clamp,夹住     h_relu = h.clamp(min=0) # N * H     y_pred = h_relu.mm(w2) # N * D_out​     # compute loss     # 求平方在这里也要改     # loss = np.square(y_pred - y).sum()     loss = (y_pred - y).pow(2).sum().item()     print(it, loss)​     # Backward pass     # 计算梯度，链式法则，挨个求导相乘     grad_y_pred = 2.0 * (y_pred - y)     grad_w2 = h_relu.t().mm(grad_y_pred)     grad_h_relu = grad_y_pred.mm(w2.t())     grad_h = grad_h_relu.clone()     grad_h[h<0] = 0      grad_w1 = x.t().mm(grad_h)     # 更新w1和w2的权重     w1 -=learning_rate * grad_w1     w2 -=learning_rate * grad_w2

4.3 简单的autograd

x = torch.tensor(1., requires_grad=True)w = torch.tensor(2., requires_grad=True)b = torch.tensor(3., requires_grad=True)y = w*x + b  # y = 2*1 + 3y.backward()# dy/dw=xprint(w.grad)print(x.grad)print(b.grad)# 结果tensor(1.)tensor(2.)tensor(1 . )

如何使用autograd简化上面的两层神经网络？

# 定义一些基本的信息，64个输入，每个输入是1000维，hidden是100维，输出是10维 N, D_in, H, D_out = 64, 1000, 100, 10 # 随机创建一些训练数据 # x是64个1000维，x是64x1000矩阵 # y是64个10维，y是64x10矩阵 # np.random要改为torch x = torch.randn(N, D_in)y = torch.randn(N, D_out)# 随机初始化权重 # w1是1000个100维，w1是1000x100矩阵 # w2是100个10维，w2是100x10矩阵 w1 = torch.randn(D_in, H, requires_grad=True)w2 = torch.randn(H, D_out, requires_grad=True)learning_rate = 1e-6  for t in range(500):     # 前向传播，h是64x1000x1000x100=64x100     # h_relu是看哪个激活了，还是64x100     # y_pred是64x100x100x10=64x10     # .dot改为mm     # h = x.mm(w1) # N * H     # h_relu = h.clamp(min=0) # N * H     # y_pred = h_relu.mm(w2) # N * D_out     # 把上面三行合并为1行     y_pred =x.mm(w1).clamp(min=0).mm(w2)​     # compute loss     # 求平方在这里也要改     loss = (y_pred - y).pow(2).sum()  # 这是计算图     print(it, loss.item())​     # Backward pass     # 计算梯度，链式法则，挨个求导相乘     # grad_y_pred = 2.0 * (y_pred - y)     # grad_w2 = h_relu.t().mm(grad_y_pred)     # grad_h_relu = grad_y_pred.mm(w2.t())     # grad_h = grad_h_relu.clone()     # grad_h[h<0] = 0     # grad_w1 = x.t().mm(grad_h)     # 这些求梯度的全部不要     loss.backward()​     # 更新w1和w2的权重     # 为了减少内存，取消计算图的储存     with torch.no_grad():         w1 -=learning_rate * w1.grad         w2 -=learning_rate * w2.grad         # 每次清零         w1.grad.zero_()         w2.grad.zero_()

最后pytorch的简单代码

# 定义一些基本的信息，64个输入，每个输入是1000维，hidden是100维，输出是10维 N, D_in, H, D_out = 64, 1000, 100, 10 x = torch.randn(N, D_in)y = torch.randn(N, D_out)w1 = torch.randn(D_in, H, requires_grad=True)w2 = torch.randn(H, D_out, requires_grad=True)learning_rate = 1e-6  for t in range(500):     y_pred =x.mm(w1).clamp(min=0).mm(w2)​     loss = (y_pred - y).pow(2).sum()  # 这是计算图     print(it, loss.item())​     loss.backward()​     # 更新w1和w2的权重     with torch.no_grad():         w1 -=learning_rate * w1.grad         w2 -=learning_rate * w2.grad         # 每次清零         w1.grad.zero_()         w2.grad.zero_()

五、Pytorch常用库

5.1 Pytorch:nn

使用pytorch:nn库来构建网络

使用Pytorch autograd 来构建计算图和计算梯度

import torch.nn as nn# 定义一些基本的信息，64个输入，每个输入是1000维，hidden是100维，输出是10维 N, D_in, H, D_out = 64, 1000, 100, 10 x = torch.randn(N, D_in)y = torch.randn(N, D_out)# 不用这么繁琐顶定义这个w1,w2 # w1 = torch.randn(D_in, H, requires_grad=True) # w2 = torch.randn(H, D_out, requires_grad=True) model = torch.nn.Sequential(    torch.nn.Linear(D_in,H),  #w_1 * x +b_1    torch.nn.ReLU();    torch.nn.Linear(H, D_out))# model = model.cuda() loss_fn = nn.MSELoss(reduction='sum')learning_rate = 1e-6  for t in range(500):     # y_pred =x.mm(w1).clamp(min=0).mm(w2)     y_pred = model(x)  # model.forward()​     loss = loss_fn(y_pred,y)     print(it, loss.item())​     model.zero_grad     loss.backward()​     # 更新w1和w2的权重     with torch.no_grad():         for param in model.parameters():             param -= learning_rate * param.grad

 

初始化数据，可能影响训练效果 ，这里可对weight进行初始化

modelmodel[0].weight可能初始化问题会影响训练效果可在model和loss_fn中间加：torch.nn.init.normal_(model[0].weight) #第一层 torch.nn.init.normal_(model[2].weight) #第二层

5.2 Pytorch:optim

不用手动更新模型的weights，而是使用optim这个包来帮助我们更新参数

optim这个包提供了各种不同的模型优化方法，包括SGD+momentum，RMSProp，Adam等等

import torch.nn as nn# 定义一些基本的信息，64个输入，每个输入是1000维，hidden是100维，输出是10维 N, D_in, H, D_out = 64, 1000, 100, 10 x = torch.randn(N, D_in)y = torch.randn(N, D_out)# 不用这么繁琐顶定义这个w1,w2 # w1 = torch.randn(D_in, H, requires_grad=True) # w2 = torch.randn(H, D_out, requires_grad=True) model = torch.nn.Sequential(    torch.nn.Linear(D_in,H),  #w_1 * x +b_1    torch.nn.ReLU();    torch.nn.Linear(H, D_out))# model = model.cuda() loss_fn = nn.MSELoss(reduction='sum')learning_rate = 1e-4 optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)# 或者优化方法 # learning_rate = 1e-6 # optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate) learning_rate = 1e-6  for t in range(500):​     y_pred = model(x)  # model.forward()​     loss = loss_fn(y_pred,y)     print(it, loss.item())     # 求导之前把数据清空     optimizer.zero_grad()     loss.backward()​     # 更新w1和w2的权重     optimizer.step()

5.3 Pytorch:nn Module

import torch.nn as nn​定义一些基本的信息，64个输入，每个输入是1000维，hidden是100维，输出是10维N, Din, H, D_out = 64, 1000, 100, 10x = torch.randn(N, D_in)y = torch.randn(N, D_out)class TwoLayerNet(torch.nn.Module):   def _init(self, Din, H, D_out):       super(TwoLayerNet, self)._init()    # 定义模型框架    self.linear1 = torch.nn.Linear(D_in, H, bias=False)    self.linear2 = torch.nn.Linear(H, D_out, bias=False)​def forward(self, x)     # 定义前向传播    y_pred = self.linear2(self.linear1(x).clamp(min=0))    return y_pred         model = TwoLayerNet(D_in, H, D_out))loss_fn = nn.MSELoss(reduction=’sum’)learning_rate = 1e-4optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)learning_rate = 1e-6for t in range(500): y_pred = model(x)  # model.forward()​ loss = loss_fn(y_pred,y) print(it, loss.item())​ # 求导之前把数据清空 optimizer.zero_grad() loss.backward()​ # 更新w1和w2的权重 optimizer.step()

http://chatgpt.dhexx.cn/article/XP34pnUy.shtml

相关文章

面向Windows的Pytorch完整安装教程

面向Windows的Pytorch完整安装教程

目录 1. 概述 2. 安装 2.1 安装cuda 2.2 安装cudnn 2.3 安装Pytoch 2.4 验证 1. 概述 PyTorch是一个开源的Python机器学习库&#xff0c;其前身是著名的机器学习库Torch。2017年1月&#xff0c;由Facebook人工智能研究院&#xff08;FAIR&#xff09;基于Torch推出了PyT…
阅读更多...
pytorch新手自学教程（一）

pytorch新手自学教程（一）

Pytorch详细新手自学教程&#xff08;一&#xff09; 前言Tensor(张量)Variable (变量) 前言 本教程参考书籍《深度学习入门之pytorch》 -----关于pytorch的优点这里不再说明&#xff0c;毕竟现在的主流仍然是TensorFlow。 1、环境配置可到pytorch官网搜索下载包的pip或conda指…
阅读更多...
GPU版本安装Pytorch教程最新方法

GPU版本安装Pytorch教程最新方法

目录 步骤 第一步&#xff1a;安装 Anaconda 和 Pycharm 软件 第二步&#xff1a;下载安装CUDA11.3 &#xff08;1&#xff09;首先查看自己电脑GPU版本 方式一&#xff1a;搜索框输入nvidia&#xff0c;打开nvidia控制面板 方式二&#xff1a;winR打开cmd&#xff0c;输…
阅读更多...
pytorch官方教程中文版（一）PyTorch介绍

pytorch官方教程中文版（一）PyTorch介绍

pytorch编程环境是1.9.1cu10.2 建议有能力的直接看官方网站英文版&#xff01; 下面所示是本次教程的主要目录&#xff1a; pytorch官方教程中文版&#xff1a; PyTorch介绍学习PyTorch图像和视频声音文本强化学习在生产环境中部署PyTorch模型使用FX重构代码前端API扩展PyT…
阅读更多...
【PyTorch入门教程】1. 基础知识

【PyTorch入门教程】1. 基础知识

欢迎关注 【LearnOpenCV: PyTorch入门教程】 PyTorch入门&#xff1a;Ch1 基础知识 PyTorch入门&#xff1a;[Ch2 使用预训练模型进行图像分类] PyTorch入门&#xff1a;[Ch3 使用迁移学习进行图像分类] PyTorch入门&#xff1a;[Ch4 使用ONNX和Caffe2进行模型推理] PyTorch入门…
阅读更多...
PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】笔记

PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】笔记

PyTorch深度学习快速入门教程&#xff08;绝对通俗易懂&#xff01;&#xff09;【小土堆】笔记 教程与代码地址P1 PyTorch环境的配置及安装&#xff08;Configuration and Installation of PyTorch)【PyTorch教程】P2 Python编辑器的选择、安装及配置&#xff08;PyCharm、Jup…
阅读更多...
【超详细】Pytorch 入门教程（一）

【超详细】Pytorch 入门教程（一）

Pytorch基本语法 1 认识Pytorch2 Pytorch的基本元素操作3 Pytorch的基本运算操作4 关于Torch Tensor和Numpy array之间的相互转换5 总结1 认识Pytorch 什么是Pytorch？ Pytorch是一个基于Numpy的科学计算包, 向它的使用者提供了两大功能. 作为Numpy的替代者, 向用户提供使用GPU…
阅读更多...
PyTorch安装教程（带图文）

PyTorch安装教程（带图文）

文章目录 1.准备工作2.安装pytorch3.检验4.总结 前言 上一篇文章讲解了如何安装Anaconda,现在来安装pytorch,安装好工具就可以好好学习了。 1.准备工作 由于我安装anaconda时选择了最新版的&#xff0c;它默认安装了最新版python 3.8.5版本&#xff0c;我看网上大多数博主推荐…
阅读更多...
Pytorch安装教程（最全最详细版）

Pytorch安装教程（最全最详细版）

目录 概述安装一、CUDA 安装&#xff08;一&#xff09;CUDA 概述&#xff08;二&#xff09;安装 二、Anaconda 安装三、Pytorch安装&#xff08;一&#xff09;GPU版本安装方法一方法二 &#xff08;二&#xff09;CPU版本安装 概述 PyTorch是一个开源的深度学习框架&#x…
阅读更多...
pytorch安装教程新手入门

pytorch安装教程新手入门

PyTorch环境搭建 引言 PyTorch是一个开源的Python机器学习库&#xff0c;其前身是2002年诞生于纽约大学的Torch。它是美国Facebook公司使用python语言开发的一个深度学习的框架&#xff0c;2017年1月&#xff0c;Facebook人工智能研究院&#xff08;FAIR&#xff09;在GitHub…
阅读更多...
pytorch安装教程

pytorch安装教程

大家好&#xff0c;今天我根据我在安装Pytorch过程中遇到的问题&#xff0c;来分享一下我安装Pythorch的经验。 安装pytorch大概可以分成下列四个步骤 先来了解一下什么是 Anacond。 Anacond就是可以便捷获取包且对包能够进行管理&#xff0c;同时对环境可以统一管理的发行版本…
阅读更多...
pytorch基础入门教程/一小时学会pytorch

pytorch基础入门教程/一小时学会pytorch

Pytorch一小时入门教程 前言 机器学习的门槛并没有想象中那么高&#xff0c;我会陆续把我在学习过程中看过的一些文章和写过的代码以博客的形式分享给大家&#xff0c;和大家一起交流&#xff0c;这个是本系列的第一篇&#xff0c;pytoch入门教程&#xff0c;翻译自pytoch官方…
阅读更多...
2023最新pytorch安装教程，简单易懂，面向初学者（Anaconda+GPU）

2023最新pytorch安装教程，简单易懂，面向初学者（Anaconda+GPU）

一、前言 目前是2023.1.27,鉴于本人安装过程中踩得坑&#xff0c;安装之前我先给即将安装pytorch的各位提个醒&#xff0c;有以下几点需要注意 1.判断自己电脑是否有GPU 注意这点很重要&#xff0c;本教程面向有NVIDA显卡的电脑&#xff0c;如果你的电脑没有GPU或者使用AMD显…
阅读更多...
pytorch超级详细的安装教程

pytorch超级详细的安装教程

pytorch超级详细的安装教程 第一次安装的时候安装了差不多有一整天&#xff0c;还安装失败了。这次安装的速度很快。 首先是Anaconda的下载&#xff0c;我用的是上学期学python的时候老师之前给的安装包&#xff0c;很快就安装好了&#xff0c;或者去官网去下载Anaconda也挺快…
阅读更多...
超详细的的PyTorch安装教程，成功率高，适合初学者，亲测可用。

超详细的的PyTorch安装教程，成功率高，适合初学者，亲测可用。

啰嗦几句&#xff1a;网上的教程很多&#xff0c;安装的方法多种多样&#xff0c;操作复杂&#xff0c;成功率还不高。小编在淘宝专门帮助不会安装的小伙伴远程配置环境&#xff0c;这方法都是测试过了&#xff0c;适用大部分人的&#xff0c;完全按照文章来操作&#xff0c;基…
阅读更多...
pytorch官方教程（详细版）

pytorch官方教程（详细版）

由于在写DQN代码时发现对细节不够了解&#xff0c;因此又详细学习了一下pytorch相关内容&#xff0c;以下内容来自官网教程&#xff0c;此前的pytorch笔记&#xff1a; pytorch训练分类器 pytorch基础入门 pytorch实现CartPole-v1任务的DQN代码 &#xff08;一&#xff09;Da…
阅读更多...
Pytorch速成教程（一）整体流程

Pytorch速成教程（一）整体流程

目录 0 简介 1 张量的概念和生成 2 自动微分 2.1 Tensor类 2.2 梯度 3 神经网络 3.1 定义网络 3.2 查看模型参数 3.3 测试网络 3.4 损失函数更新权重 4 训练分类器 4.1 数据处理生成Dataload 4.2 定义卷积网络 4.3 定义损失函数 4.4 遍历DataLoader进行训练 4.5 …
阅读更多...
PyTorch详细教程

PyTorch详细教程

一、参考资料 PyTorch中文文档 PyTorch官方文档 PyTorch官方源码&#xff1a;GitHub - pytorch/pytorch: Tensors and Dynamic neural networks in Python with strong GPU acceleration PyTorch 中文教程 & 文档 二、分布式训练 pytorch set_epoch()方法 在分布式模…
阅读更多...
PyTorch深度学习快速入门教程（绝对通俗易懂！！！）

PyTorch深度学习快速入门教程（绝对通俗易懂！！！）

文章目录 一、PyTorch环境的配置及安装二、Pycharm、jupyter的安装1. Pycharm2.jupyter 三、Python学习中的两大法宝函数&#xff08;help、dir&#xff09;四、加载数据&#xff08;Dataset&#xff09;五、TensorBorad的使用六、Transformer1.compose2.toTensor3.Normalize4.…
阅读更多...
Python安装Pytorch教程（图文详解）

Python安装Pytorch教程（图文详解）

最近人工智能等多门课需要复现论文&#xff0c;近两年的论文很多都是基于Pytorch环境做的实验&#xff0c;所以&#xff0c;这里总结一下Pytorch的安装教程&#xff0c;做好最快、最简单、最好地完成安装。 本机环境Win101050TiPython3.7 1、查看本机的CUDA版本 cmd命令行输…
阅读更多...
推荐文章

Copyright @ 2022~2023