您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. PyTorch 深度学习视频教程(一)

  2. 该资源是最新的PyTorch 深度学习视频教程(一)压缩包,主要介绍学习Pytorch的先修课与Pytorch的简介,还有一套PyTorch 深度学习视频教程(二),欢迎大家下载学习!
  3. 所属分类:深度学习

    • 发布日期:2018-10-14
    • 文件大小:163577856
    • 提供者:jinyuan7708
  1. PyTorch 深度学习视频教程(二)

  2. 该资源是最新的PyTorch 深度学习视频教程(二),主要介绍一些Pytorch的性能与使用方法,欢迎大家下载学习交流!
  3. 所属分类:深度学习

    • 发布日期:2018-10-14
    • 文件大小:197132288
    • 提供者:jinyuan7708
  1. pytorch学习.zip

  2. pytorch入门的一些练习程序,包含Tensor的创建,线性分类器,主流CNN模型搭建,二分类网络模型搭建,Optimizer优化器的使用等
  3. 所属分类:深度学习

    • 发布日期:2020-05-05
    • 文件大小:588800
    • 提供者:qq_37568167
  1. (翻译)60分钟入门深度学习工具-PyTorch.pdf

  2. (翻译)60分钟入门深度学习工具-PyTorch 公号:机器学习初学者 一、Pytorch是什么? 二、AUTOGRAD 三、神经网络 四、训练一个分类器 五、数据并行
  3. 所属分类:互联网

    • 发布日期:2020-04-10
    • 文件大小:1048576
    • 提供者:qq_33866063
  1. pytorch-03-doc.pdf

  2. PyTorch中文文档,手握利器,事半功倍,向翻译并整理此文档的博友致敬!torchvision. utils 1.3.3.5 Py Torch0.3中文文档&教程 Py Torch0.3中文文档&教程 O ToRch 维护组织: ApacheAN 协议: CC BY-NO-SA4.0 欢迎任何人参与和完善:一个人可以走的很快’但是一群人却可以走的更远。 ApacheAN机器学习交流群629470233 ApacheAN学习资源 ·在线阅读 PDF格式 EPUB格式 MOB|格式 代码仓库 项
  3. 所属分类:深度学习

    • 发布日期:2019-09-07
    • 文件大小:6291456
    • 提供者:image_proc
  1. PyTorch 模型训练实用教程

  2. 本教程内容主要为在 PyTorch 中训练一个模型所可能涉及到的方法及函 数, 并且对 PyTorch 提供的数据增强方法(22 个)、权值初始化方法(10 个)、损失函数(17 个)、优化器(6 个)及 tensorboardX 的方法(13 个) 进行了详细介绍,本教程分为四章, 结构与机器学习三大部分一致。 第一章, 介绍数据的划分,预处理,数据增强; 第二章, 介绍模型的定义,权值初始化,模型 Finetune; 第三章, 介绍各种损失函数及优化器; 第四章, 介绍可视化工具,用于监控数
  3. 所属分类:机器学习

    • 发布日期:2019-03-03
    • 文件大小:4194304
    • 提供者:qq_29893385
  1. pytorch学习教程之自定义数据集

  2. 自定义数据集 在训练深度学习模型之前,样本集的制作非常重要。在pytorch中,提供了一些接口和类,方便我们定义自己的数据集合,下面完整的试验自定义样本集的整个流程。 开发环境 Ubuntu 18.04 pytorch 1.0 pycharm 实验目的 掌握pytorch中数据集相关的API接口和类 熟悉数据集制作的整个流程 实验过程 1.收集图像样本 以简单的猫狗二分类为例,可以在网上下载一些猫狗图片。创建以下目录: data————-根目录 data/test——
  3. 所属分类:其它

    • 发布日期:2020-12-16
    • 文件大小:803840
    • 提供者:weixin_38684892
  1. 动手学深度学习PyTorch版 | (4)循环神经网络

  2. 文章目录一. 传统RNN二. GRUstep 1 : 载入数据集step 2 : 初始化参数step 3: GRUstep 4: 训练模型简洁实现GRU三. LSTMstep 1: 初始化参数step 2: LSTM 主函数step 3: 训练模型step 4: 简洁实现 一. 传统RNN RNN存在的问题:梯度较容易出现衰减或爆炸(BPTT) 二. GRU ⻔控循环神经⽹络:捕捉时间序列中时间步距离较⼤的依赖关系 重置⻔有助于捕捉时间序列⾥短期的依赖关系; 更新⻔有助于捕捉时间序列⾥
  3. 所属分类:其它

    • 发布日期:2020-12-23
    • 文件大小:257024
    • 提供者:weixin_38728277
  1. 动手学深度学习PyTorch版 | (4)循环神经网络

  2. 文章目录一. 传统RNN二. GRUstep 1 : 载入数据集step 2 : 初始化参数step 3: GRUstep 4: 训练模型简洁实现GRU三. LSTMstep 1: 初始化参数step 2: LSTM 主函数step 3: 训练模型step 4: 简洁实现 一. 传统RNN RNN存在的问题:梯度较容易出现衰减或爆炸(BPTT) 二. GRU ⻔控循环神经⽹络:捕捉时间序列中时间步距离较⼤的依赖关系 重置⻔有助于捕捉时间序列⾥短期的依赖关系; 更新⻔有助于捕捉时间序列⾥
  3. 所属分类:其它

    • 发布日期:2020-12-23
    • 文件大小:257024
    • 提供者:weixin_38644688
  1. 【PyTorch学习】PyTorch基础知识

  2. 目录 一、Pytorch介绍 1.1 什么是Pytorch 1.2 为何要使用Pytorch 1.3 配置Pytorch深度学习环境 二、Pytorch基础 2.1 Tensor(张量) 2.2 Variable(变量) 2.3 Dataset(数据集) 1. torch.utils.data.Dataset 2. torch.utils.data.TensorDataset 3. torch.utils.data.DataLoader 4. torchvision.datasets.Image
  3. 所属分类:其它

    • 发布日期:2020-12-21
    • 文件大小:119808
    • 提供者:weixin_38672815
  1. PyTorch学习笔记(二)图像数据预处理

  2. Environment OS: macOS Mojave Python version: 3.7 PyTorch version: 1.4.0 IDE: PyCharm 文章目录0. 写在前面1. 基本变换类1.1 填充1.2 擦除1.3 缩放1.4 裁剪1.5 旋转1.6 翻转1.7 颜色1.8 仿射变换和线性变换1.9 归一化和标准化1.10. Lambda2. 组合变换类3. 自定义图像数据增强 0. 写在前面 本文记录了使用 PyTorch 实现图像数据预处理的方法,包括数据增强和标准
  3. 所属分类:其它

    • 发布日期:2020-12-21
    • 文件大小:1048576
    • 提供者:weixin_38524472
  1. PyTorch学习笔记(二)图像数据预处理

  2. Environment OS: macOS Mojave Python version: 3.7 PyTorch version: 1.4.0 IDE: PyCharm 文章目录0. 写在前面1. 基本变换类1.1 填充1.2 擦除1.3 缩放1.4 裁剪1.5 旋转1.6 翻转1.7 颜色1.8 仿射变换和线性变换1.9 归一化和标准化1.10. Lambda2. 组合变换类3. 自定义图像数据增强 0. 写在前面 本文记录了使用 PyTorch 实现图像数据预处理的方法,包括数据增强和标准
  3. 所属分类:其它

    • 发布日期:2020-12-21
    • 文件大小:1048576
    • 提供者:weixin_38546817
  1. PyTorch学习笔记(三)定义各种卷积池化线性激活层

  2. Environment OS: macOS Mojave Python version: 3.7 PyTorch version: 1.4.0 IDE: PyCharm 文章目录0. 写在前面1. 卷积与转置卷积1.1 卷积层1.2 转置卷积层2. 池化与去池化2.1 池化层2.2 去池化层3. 线性连接4. 激活函数4.1 sigmoid4.2 tanh4.3 ReLU4.4 ReLU 的修改版们 0. 写在前面 本文记录一下使用 PyTorch 建立神经网络模型中各种层的定义方法,包括卷积
  3. 所属分类:其它

    • 发布日期:2020-12-21
    • 文件大小:486400
    • 提供者:weixin_38706100
  1. windows10环境下安装深度学习环境anaconda+pytorch+CUDA+cuDDN

  2. windows10环境下安装深度学习环境anaconda+pytorch+CUDA+cuDDN 步骤零:安装anaconda、opencv、pytorch(这些不详细说明)。复制运行代码,如果没有报错,说明已经可以了。不过大概率不行,我的会报错提示AssertionError: Torch not compiled with CUDA enabled。说明需要安装CUDA,或者安装的pytorch版本是不带CUDA的版本,需要按照以下步骤操作。 步骤一:安装CUDA 步骤二:安装cuDDN 步骤
  3. 所属分类:其它

    • 发布日期:2021-01-07
    • 文件大小:299008
    • 提供者:weixin_38601103
  1. pytorch动手深度学习的笔记[二]

  2. 一.循环神经网络 循环神经网络基于当前的输入与过去的输入序列,预测序列的下一个字符。它引入一个隐藏变量H,用Ht表示H在时间步t的值。Ht的计算基于Xt和Ht−1,可以认为Ht记录了到当前字符为止的序列信息,利用Ht对序列的下一个字符进行预测。 1.隐状态的引入 2.one-hot向量 3.初始化模型参数:隐藏层参数,输出层参数。 4.定义模型后裁剪梯度,定义预测函数,定义模型训练函数,使用困惑度评价模型。 二.循环神经网络进阶 GRU ⻔控循环神经⽹络:捕捉时间序列中时间步距离较⼤的依赖关系。
  3. 所属分类:其它

    • 发布日期:2021-01-07
    • 文件大小:83968
    • 提供者:weixin_38735570
  1. Pytorch学习笔记Day一(Numpy学习)

  2. Numpy学习 数组有几个非常重要的概念 1、维度Dimensions,叫作轴axes 2、轴的个数叫作秩rank 例: [[0,0,0],  [0,0,0]] ndarray.ndim = 2:数组轴的个数。二维数组 ndarray.shape = (2,3):数组的维度。(n,m) ndarray.size = 6:数组元素总个数。n*m ndarray.dtype = int64:数组元素数据类型。 ndarray.itemsize= 8:数组元素所占字节数。 ndarray.data:通
  3. 所属分类:其它

    • 发布日期:2021-01-07
    • 文件大小:45056
    • 提供者:weixin_38625599
  1. pytorch学习二

  2. 动手学课程学习回顾: 2:nlp领域 机器翻译 数据预处理——分词——建立词典——载入数据集 encoder、decoder 注意力机制 输入:询问、键值对 softmax屏蔽 超二维矩阵乘法 点积注意力 多层感知机注意力 seq2seq模型 transformer cnn与rnn的区别 多头注意力基于位置的前馈网络 add and norm 位置编码 优化与估计 局部最小值,鞍点,梯度消失 凸性、jensen不等式 梯度下降 一维梯度下降、学习率、局部极小值、多维梯度下降、自适应方法(牛顿法)
  3. 所属分类:其它

    • 发布日期:2021-01-06
    • 文件大小:34816
    • 提供者:weixin_38726007
  1. Pytorch学习笔记Day二(全连接层学习)

  2. MNIST数据集用全连接层实现 import torch from torch import nn from torch.nn import functional as F from torch import optim import torchvision from matplotlib import pyplot as plt def plot_curve(data): fig = plt.figure() plt.plot(range(len(data)), data,
  3. 所属分类:其它

    • 发布日期:2021-01-06
    • 文件大小:22528
    • 提供者:weixin_38562492
  1. Pytorch学习 (五)

  2. 二维互相关运算(卷积) 二维互相关(cross-correlation)运算的输入是一个二维输入数组和一个二维核(kernel)数组,输出也是一个二维数组,其中核数组通常称为卷积核或过滤器(filter)。卷积核的尺寸通常小于输入数组,卷积核在输入数组上滑动,在每个位置上,卷积核与该位置处的输入子数组按元素相乘并求和,得到输出数组中相应位置的元素。图1展示了一个互相关运算的例子,阴影部分分别是输入的第一个计算区域、核数组以及对应的输出。 图1 二维互相关运算 互相关运算与卷积运算 卷积层得名于
  3. 所属分类:其它

    • 发布日期:2021-01-06
    • 文件大小:52224
    • 提供者:weixin_38722891
  1. PyTorch学习打卡二

  2. GoogLeNet GoogLeNet由Inception基础块组成。 Inception块相当于一个有4条线路的子网络。它通过不同窗口形状的卷积层和最大池化层来并行抽取信息,并使用1×1卷积层减少通道数从而降低模型复杂度。 可以自定义的超参数是每个层的输出通道数,我们以此来控制模型复杂度。 程序 class Inception(nn.Module): # c1 - c4为每条线路里的层的输出通道数 def __init__(self, in_c, c1, c2, c3, c4)
  3. 所属分类:其它

    • 发布日期:2021-01-20
    • 文件大小:66560
    • 提供者:weixin_38748718
« 12 3 4 »