- 当前想使用pytorch 1.7进行训练，而modelarts预置框架最高只支持pytorch 1.4。可以通过如下配置方式来实现。（其他的pytorch版本采用同样的方式只是下载的文件不同）首先要了解的是预置框架pytorch 1.4所使用的cuda版本为10.1，python版本为3.6，因此我们需要基于python3.6 cuda10.1构建的pytorch 1.7 离线安装包。同时我... 当前想使用pytorch 1.7进行训练，而modelarts预置框架最高只支持pytorch 1.4。可以通过如下配置方式来实现。（其他的pytorch版本采用同样的方式只是下载的文件不同）首先要了解的是预置框架pytorch 1.4所使用的cuda版本为10.1，python版本为3.6，因此我们需要基于python3.6 cuda10.1构建的pytorch 1.7 离线安装包。同时我...
- cuda和Nvidia驱动安装教程 cuda和Nvidia驱动安装教程
- cuda9.0-9.2环境安装pytorch1.5，解决torch.cuda.is_available()返回False的问题。 cuda9.0-9.2环境安装pytorch1.5，解决torch.cuda.is_available()返回False的问题。
- loss_char =torch.zeros(1).cuda() for j in range(len(restored)): loss_char=loss_char+criterion_char(restored[j], target) loss_char =torch.zeros(1).cuda() for j in range(len(restored)): loss_char=loss_char+criterion_char(restored[j], target)
- 总结几个比较好的CNN模块。 SEBlock 代码： class SEBlock(nn.Module): def __init__(self, input_channels, internal_neurons): &... 总结几个比较好的CNN模块。 SEBlock 代码： class SEBlock(nn.Module): def __init__(self, input_channels, internal_neurons): &...
- 第一种 保存整个模型文件 # 保存和加载整个模型torch.save(model_object, 'model.pth')model = torch.load('model.pth') 第二种 仅保存模型的权重 # 仅保存和加载模型参数(推荐使用)torch.save(model_object.state_... 第一种 保存整个模型文件 # 保存和加载整个模型torch.save(model_object, 'model.pth')model = torch.load('model.pth') 第二种 仅保存模型的权重 # 仅保存和加载模型参数(推荐使用)torch.save(model_object.state_...
- # !/usr/bin/env python # -- coding: utf-8 -- import torch import torch.nn as nn import torchvision im... # !/usr/bin/env python # -- coding: utf-8 -- import torch import torch.nn as nn import torchvision im...
- import torch import torch.nn as nn import torchvision def Conv1(in_planes, places, stride=2): re... import torch import torch.nn as nn import torchvision def Conv1(in_planes, places, stride=2): re...
- 维度1上排序，并且倒叙输出。 index_score=score_mat.argsort(axis=1).flip(dims=[1]) index_score=score_mat.argsort(axis=1,descending=True) 经过测试，效果一样的： import torch data=torch.randn(4,4) print(data) in... 维度1上排序，并且倒叙输出。 index_score=score_mat.argsort(axis=1).flip(dims=[1]) index_score=score_mat.argsort(axis=1,descending=True) 经过测试，效果一样的： import torch data=torch.randn(4,4) print(data) in...
- @Author：Runsen 当阅读一篇课文时，我们可以根据前面的单词来理解每个单词的，而不是从零开始理解每个单词。这可以称为记忆。卷积神经网络模型（CNN）不能实现这种记忆，因此引入了递归神经网络模型（RNN）来解决这一问题。RNN是带有循环的网络，允许信息持久存在。 RNN的应用有： 情绪分析（多对一，顺序输入） 机器翻译（多对多，顺序输入和顺序输出... @Author：Runsen 当阅读一篇课文时，我们可以根据前面的单词来理解每个单词的，而不是从零开始理解每个单词。这可以称为记忆。卷积神经网络模型（CNN）不能实现这种记忆，因此引入了递归神经网络模型（RNN）来解决这一问题。RNN是带有循环的网络，允许信息持久存在。 RNN的应用有： 情绪分析（多对一，顺序输入） 机器翻译（多对多，顺序输入和顺序输出...
- 1维情况： import torchimport torch.nn as nn # out_sizem = nn.AdaptiveAvgPool1d(5)input = torch.randn(1, 64, 3)output = m(input) print(output.size()) #torch.Size([1, 64, 5]) 不管你输入是多少，平均池化到5维。 ... 1维情况： import torchimport torch.nn as nn # out_sizem = nn.AdaptiveAvgPool1d(5)input = torch.randn(1, 64, 3)output = m(input) print(output.size()) #torch.Size([1, 64, 5]) 不管你输入是多少，平均池化到5维。 ...
- 本节书摘来自华章计算机《MXNet深度学习实战》一书中的第1章，第1.3.2节，作者是魏凯峰。 本节书摘来自华章计算机《MXNet深度学习实战》一书中的第1章，第1.3.2节，作者是魏凯峰。
- 本书摘自《神经网络与PyTorch实战》——书中第3章，第3.4.5节，作者是肖智清。 本书摘自《神经网络与PyTorch实战》——书中第3章，第3.4.5节，作者是肖智清。
- 本书摘自《神经网络与PyTorch实战》——书中第3章，第3.4.1节，作者是肖智清。 本书摘自《神经网络与PyTorch实战》——书中第3章，第3.4.1节，作者是肖智清。
- 本书摘自《神经网络与PyTorch实战》——书中第3章，第3.3.3节，作者是肖智清。 本书摘自《神经网络与PyTorch实战》——书中第3章，第3.3.3节，作者是肖智清。
上滑加载中
推荐直播
-
Skill 构建 × 智能创作：基于华为云码道的 AI 内容生产提效方案2026/03/25 周三 19:00-20:00
余伟，华为云软件研发工程师/万邵业（万少），华为云HCDE开发者专家
本次直播带来两大实战：华为云码道 Skill-Creator 手把手搭建专属知识库 Skill；如何用码道提效 OpenClaw 小说文本，打造从大纲到成稿的 AI 原创小说全链路。技术干货 + OPC创作思路，一次讲透！
回顾中 -
码道新技能，AI 新生产力——从自动视频生成到开源项目解析2026/04/08 周三 19:00-21:00
童得力-华为云开发者生态运营总监/何文强-无人机企业AI提效负责人
本次华为云码道 Skill 实战活动，聚焦两大 AI 开发场景：通过实战教学，带你打造 AI 编程自动生成视频 Skill，并实现对 GitHub 热门开源项目的智能知识抽取，手把手掌握 Skill 开发全流程，用 AI 提升研发效率与内容生产力。
回顾中 -
华为云码道：零代码股票智能决策平台全功能实战2026/04/18 周六 10:00-12:00
秦拳德-中软国际教育卓越研究院研究员、华为云金牌讲师、云原生技术专家
利用Tushare接口获取实时行情数据，采用Transformer算法进行时序预测与涨跌分析，并集成DeepSeek API提供智能解读。同时，项目深度结合华为云CodeArts（码道）的代码智能体能力，实现代码一键推送至云端代码仓库，建立起高效、可协作的团队开发新范式。开发者可快速上手，从零打造功能完整的个股筛选、智能分析与风险管控产品。
回顾中
热门标签