- 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。
- 本书摘自《神经网络与PyTorch实战》——书中第3章，第3.3.2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3.3.2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3.3.1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3.3.1节，作者是肖智清。
上滑加载中
推荐直播
-
探秘仓颉编程语言：华为开发者空间的创新利器2025/02/22 周六 15:00-16:30
华为云讲师团
本期直播将与您一起探秘颉编程语言上线华为开发者空间后，显著提升开发效率，在智能化开发支持、全场景跨平台适配能力、工具链与生态完备性、语言简洁与高性能特性等方面展现出的独特优势。直播看点： 1.java转仓颉的小工具 2.仓颉动画三方库lottie 3.开发者空间介绍及如何在空间用仓颉编程语言开发
即将直播 -
大模型Prompt工程深度实践2025/02/24 周一 16:00-17:30
盖伦 华为云学堂技术讲师
如何让大模型精准理解开发需求并生成可靠输出？本期直播聚焦大模型Prompt工程核心技术：理解大模型推理基础原理，关键采样参数定义，提示词撰写关键策略及Prompt工程技巧分享。
去报名 -
华为云 x DeepSeek：AI驱动云上应用创新2025/02/26 周三 16:00-18:00
华为云 AI专家大咖团
在 AI 技术飞速发展之际，DeepSeek 备受关注。它凭借哪些技术与理念脱颖而出？华为云与 DeepSeek 合作，将如何重塑产品与应用模式，助力企业数字化转型？在华为开发者空间，怎样高效部署 DeepSeek，搭建专属服务器？基于华为云平台，又该如何挖掘 DeepSeek 潜力，实现智能化升级？本期直播围绕DeepSeek在云上的应用案例，与DTSE布道师们一起探讨如何利用AI 驱动云上应用创新。
去报名
热门标签