pytorch

以 NLP中常见的输入格式 [B=2, L=3, D=2]（B=批量大小，L=序列长度，D=特征维度）为例，LayerNorm和BatchNorm区别

提示微调 仅在输入嵌入层中加入可训练的提示向量。在离散提示方法的基础上，提示微调首先在**输入端**插入一组连续嵌入数值的提示词元，这些提示词元可以以自由形式 或前 缀形式 来增强输入文本，用于解

句子嵌入简介 本系列旨在揭开嵌入的神秘面纱，并向您展示如何在项目中使用它们。第一篇博文将教您如何使用和扩展开源嵌入模型。我们将研究选择现有模型的标准、当前的评估方法以及生态系统的状态。我们将研究三个令

我们已经看到，对于任何可微函数，**无论变量数量有多少，梯度总是指向最陡的上升点，这是梯度下降算法的基础**。尽管概念上非常简单，但当应用于具有数百万个变量的函数时，它具有显着的计算困难。这个问题可以

常见的基础机器学习算法 机器学习算法是现代人工智能的支柱。它们使计算机能够学习并做出预测或决策，而无需明确编程。在这份综合指南中，我们将深入研究常见的机器学习算法，提供详细的解释和代码示例，以帮助您了

PyTorch C++ 前端是 PyTorch 机器学习框架的纯 C++ 接口。虽然 PyTorch 的主要接口是 Python，但 Python API 位于大量底层 C++ 代码库之上，提供了基础

本教程以 Sasank Chilamkurthy 编写的原始PyTorch 迁移学习教程为基础。 迁移学习是指利用预训练模型应用于不同数据集的技术。迁移学习有两种主要的使用方式： ConvNet 作为

1. 什么是channels last channels last内存格式是内存中排序 NCHW 张量的另一种方式。channels last张量以通道为最密集维度的方式排序（也就是按像素存储图像）。

PyTorch 的主要接口是 Python 编程语言。虽然对于许多需要动态和快速迭代的场景来说，Python 是一种合适且首选的语言，但同样有很多情况下，Python 的这些属性恰恰是不利的。后者经常

这篇文章将讨论 PyTorch 为构建深度学习网络提供的一些工具。 除了Parameter类之外，这里讨论的类都是torch.nn.Module的子类，这是 PyTorch 基类，它封装了特定于 Py

在本教程中，您将学习如何使用迁移学习训练卷积神经网络进行图像分类。您可以在cs231n 笔记中阅读有关迁移学习的更多信息 摘要一些重要的内容： 以下是两个主要的迁移学习场景： 微调卷积网络：不是随机初

我正在参加「掘金·启航计划」 在训练神经网络时，最常用的算法是 反向传播。在该算法中，损失函数根据参数（模型权重）的梯度进行调整。 为了计算这些梯度，PyTorch 有一个内置的微分引擎，称为torc

我正在参加「掘金·启航计划」 在60 分钟快速入门中，我们已经知道了如何加载数据，定义nn.Module的子类作为模型并为其提供数据，在训练数据上训练该模型，并在测试数据上对其进行测试。为了跟踪实际情

我正在参加「掘金·启航计划」 PyTorch 提供了设计精美的模块和类torch.nn、 torch.optim、 Dataset和DataLoader 来帮助您创建和训练神经网络。为了充分利用它们的

我正在参加「掘金·启航计划」 保存和加载模型 在本节中，我们将了解如何通过保存、加载和运行模型预测来保持模型状态。 1. 保存和加载模型权重 PyTorch 模型将学习到的参数存储在内部状态字典中，称

张量是一种特殊的数据结构，与数组和矩阵非常相似。在 PyTorch 中，我们使用张量对模型的输入和输出以及模型的参数进行编码。 张量类似于NumPy 的ndarray，除了张量可以在 GPU 或其他硬

我正在参加「掘金·启航计划」 处理数据样本的代码可能会逐渐变得混乱且难以维护；理想情况下，我们希望我们的数据集代码与我们的模型训练代码分离，以获得更好的可读性和模块化。PyTorch 提供了两个数据原

我正在参加「掘金·启航计划」 数据并不总是以训练机器学习算法所需的最终需要的格式出现。我们可以使用transforms来对数据进行一些处理并使其适合训练。 所有 TorchVision 数据集都有两个

我正在参加「掘金·启航计划」 神经网络由对数据执行操作的层或模块组成。torch.nn命名空间提供了构建神经网络所需的所有模块。PyTorch中的每个模块都是 nn.Module 的子类。神经网络本身

我正在参加「掘金·启航计划」 本文介绍 TorchScript，它是 PyTorch 模型（nn.Module的子类）的中间表示，可以在 C++ 等高性能环境中运行。 在本文中，我们将介绍： PyTo