北斗星司

模型创建与nn.Module 网络模型创建步骤 nn.Module graph LR 模型 --> 模型创建 模型创建 --> 构建网络层 构建网络层 --> id[卷积层,池化层,激活函数层] 模型 --> 权值初始化 权值初始化 --> id1[Xavier,Kai

图像变换 Pad 对图片边缘进行填充 transforms.Pad(padding,fill=0,padding_mode='constant') padding:设置填充大小，(a,b,c,d)左上右下填充abcd padding_mode:填充模式，4种模式，constant,e

transforms transforms运行机制 torchvision.transforms:常用的图像预处理方法 torchvision.datasets:常用数据及的dataset实现，mnist，cifar-10，imagenet等 torchvision.model:常用的模型与训练，A

import numpy as np import torch import os import random from PIL import Image from torch.utils.data import Dataset from torch.utils.data import DataLo

DataLoader与Dataset pytorch中的数据读取机制 graph TB DataLoader --> DataLoaderIter DataLoaderIter --> Sampler Sampler --> Index Sampler --> Dataset

autograd与逻辑回归 自动求导系统中两个常用的方法： torch.autograd.backward and torch.autograd.grad 演示理解一阶导数、二阶导数的求导过程 理解自动求导系统，以及张量，前向传播构建计算图、计算图求取梯度 演示逻辑回归训练，学习五大模块：数据、模型

转载：https://www.cnblogs.com/marsggbo/p/11549631.html 平常都是无脑使用backward，每次看到别人的代码里使用诸如autograd.grad这种方法的时候就有点抵触，今天花了点时间了解了一下原理，写下笔记以供以后参考。以下笔记基于Pytorch1.

张量的一系列操作，增多，导致可能出现多个操作之间的串行并行，协同不同的底层之间的协作，避免操作的冗余。计算图就是为了解决这些问题产生的。 计算图与动态图机制 1. 计算图 计算图用来描述运算的有向无环图，计算图有两个主要元素：结点Node和边Edge。 结点表示数据，如向量、矩阵、张量。 边表示运算

线性回归 线性回归是分析一个变量与另外一个变量之间关系的方法 因变量：y 自变量：x 关系：线性 y = wx+b 分析：求解w,b 求解步骤: 确定模型，Model:y = wx+b 选择损失函数，MSE: \[ \frac{1}{m}\sum^{m}_{i=1}(y_i-\hat{y_i}) \