Tchunren

​   用这个人方式就能替代 --store_true了 ​ ​   在用pytorch训练网络的时候，每一张图片都被转为了张量形式的数据，有时候我们需要将这些张量转为jpg格式的图片，应该如何转变呢

​   最近在训练一个分类类网络的时候，发现损失不收敛，网络的各个部分没有问题，输入输出都是正常的情况，但就是网络的损失不收敛，最开始的交叉熵损失在6左右，一直到50个epoch以后，损失依然是5左右

​   当我生成一个可导类型的cpu张量的时候，判断其是否为叶子节点，显示为True ，如下面的代码所示： 但是当我直接把这个生成的cpu类型迁移到gpu上时，有意思的事情发生了： 很蒙蔽吧，那么如何

​   在使用pytorch进行深度学习训练的时候，经常会有些内容需要保存下来，保存到硬盘张，不管什么时候我们都可以读取到，那么这个时候，使用torch.save()就可以将内容存储器来，使用torc

​   我在进行一个测试梯度实验的时候，发现，当原始变量流经F.softmax以后，原始变量的梯度就无法获得了，例子如下： 如果x不经过F.softmax()，则会出现如下的梯度信息： 如果经过了F.

​   torch.unique()的功能类似于数学中的集合，就是挑出tensor中的独立不重复元素。 这个方法的参数在官方解释文档中有这么几个:torch.unique(input, sorted=

​   这部分的代码实现的操作是，对一个列表里面的字符串按照字母顺序排序，就像字典里面的单词排序一样，举例子如下： input是排序之前的Word列表，output是排序之后的Word列表。 整体代码

​   在GRL中，要实现的目标是：在前向传导的时候，运算结果不变化，在梯度传导的时候，传递给前面的叶子节点的梯度变为原来的相反方向。举个例子最好说明了： 这个程序的运行结果是： 这个运算过程对于te

​   在mini  batch中，我要返回一个（batch_size, dim）尺寸的张量，然后计算相同类别之间的平均内积，和异类之间的平均内积。 这里其实有一点可以考虑，咱们到底是将内积作为目标函