- import torch y = torch.range(1, 6) print(y) print(y.dtype) z = torch.arange(0, 6) print(z) print(z.dtype) 结果：数据类型不一样，长度不一样，可以按自己的需求选择合适的 tensor([1., 2., 3., 4., 5., 6.]) torch... import torch y = torch.range(1, 6) print(y) print(y.dtype) z = torch.arange(0, 6) print(z) print(z.dtype) 结果：数据类型不一样，长度不一样，可以按自己的需求选择合适的 tensor([1., 2., 3., 4., 5., 6.]) torch...
- 参考：https://www.jianshu.com/p/a014016723d8 1. 改变系统变量使得仅目标显卡可见 export CUDA_VISIBLE_DEVICES=0 #这里是要使用的GPU编号，正常的话是从0开始 在程序开头设置os.environ["CUDA_VISIBLE_DEVICES"] = '0,1,2,3' CUDA_V... 参考：https://www.jianshu.com/p/a014016723d8 1. 改变系统变量使得仅目标显卡可见 export CUDA_VISIBLE_DEVICES=0 #这里是要使用的GPU编号，正常的话是从0开始 在程序开头设置os.environ["CUDA_VISIBLE_DEVICES"] = '0,1,2,3' CUDA_V...
- COCODataset 中返回numpy数组或者字典中包含numpy，会自动转换为tenser from torch.utils.data import DataLoader dataloader =DataLoader(COCODataset(data_path, (512, 512), is_training=False, is_sce... COCODataset 中返回numpy数组或者字典中包含numpy，会自动转换为tenser from torch.utils.data import DataLoader dataloader =DataLoader(COCODataset(data_path, (512, 512), is_training=False, is_sce...
- pytorch判断NaN You can always leverage the fact that nan != nan: data = torch.tensor([1, 2, np.nan])tensor([ 1., 2., nan.])data[data != data]tensor([ 0, 0, 1], ... pytorch判断NaN You can always leverage the fact that nan != nan: data = torch.tensor([1, 2, np.nan])tensor([ 1., 2., nan.])data[data != data]tensor([ 0, 0, 1], ...
- https://nvidia.app.box.com/v/torch-stable-cp36-jetson-jp42 1.sudo apt-get install python3-pip 2.sudo apt install liblapacke-dev checkinstall # For OpenCV 3.sudo apt-get install l... https://nvidia.app.box.com/v/torch-stable-cp36-jetson-jp42 1.sudo apt-get install python3-pip 2.sudo apt install liblapacke-dev checkinstall # For OpenCV 3.sudo apt-get install l...
- nn.Module中定义参数：不需要加cuda，可以求导，反向传播 class BiFPN(nn.Module): def __init__(self, fpn_sizes): self.w1 = nn.Parameter(torch.rand(1)) print("no--... nn.Module中定义参数：不需要加cuda，可以求导，反向传播 class BiFPN(nn.Module): def __init__(self, fpn_sizes): self.w1 = nn.Parameter(torch.rand(1)) print("no--...
- pytorch 筛选数据（使用与或） import torch x = torch.linspace(1, 8, steps=8).view(4, 2) print(x) area1=(x[:,0]>5.5)&(x[:,1]>5.5) c=x[:,0]*x[:,1] area2=c>25 area=area1|area2 p... pytorch 筛选数据（使用与或） import torch x = torch.linspace(1, 8, steps=8).view(4, 2) print(x) area1=(x[:,0]>5.5)&(x[:,1]>5.5) c=x[:,0]*x[:,1] area2=c>25 area=area1|area2 p...
- 最简单的： state_dict = torch.load(weight_path) self.load_state_dict(state_dict,strict=False) 加载cpu： model = IResNet(IBasicBlock, [2, 2, 2, 2]) a_path=r"ms1mv3_ar... 最简单的： state_dict = torch.load(weight_path) self.load_state_dict(state_dict,strict=False) 加载cpu： model = IResNet(IBasicBlock, [2, 2, 2, 2]) a_path=r"ms1mv3_ar...
- 原文：https://github.com/jxgu1016/MNIST_center_loss_pytorch c++不知道什么框架的： https://github.com/BOBrown/SSD-Centerloss # coding: utf8import torchfrom torch.autograd import Varia... 原文：https://github.com/jxgu1016/MNIST_center_loss_pytorch c++不知道什么框架的： https://github.com/BOBrown/SSD-Centerloss # coding: utf8import torchfrom torch.autograd import Varia...
- 编译 FFWM时，报错了，只支持vs2013-2017之间的版本 换到vs2015后，报错： You need C++14 to compile PyTorch windows还没找到方案， liunx解决方法； https://stackoverflow.com/questions/3... 编译 FFWM时，报错了，只支持vs2013-2017之间的版本 换到vs2015后，报错： You need C++14 to compile PyTorch windows还没找到方案， liunx解决方法； https://stackoverflow.com/questions/3...
- class ResNet(nn.Module): def __init__(self, block, layers, use_se=True): self.inplanes = 64 self.use_se = use_se super(ResNet, self).__init__() self.conv1 = nn.Conv2d(3, 64, kernel... class ResNet(nn.Module): def __init__(self, block, layers, use_se=True): self.inplanes = 64 self.use_se = use_se super(ResNet, self).__init__() self.conv1 = nn.Conv2d(3, 64, kernel...
- pytorch方法测试——卷积（二维） 测试代码： import torchimport torch.nn as nn m = nn.Conv2d(2, 2, 3, stride=2)input = torch.randn(1, 2, 5, 7)output = m(input) print("输入图片(2张)：")print(input)print("卷积的权重：")p... pytorch方法测试——卷积（二维） 测试代码： import torchimport torch.nn as nn m = nn.Conv2d(2, 2, 3, stride=2)input = torch.randn(1, 2, 5, 7)output = m(input) print("输入图片(2张)：")print(input)print("卷积的权重：")p...
- import torch def intersect(box_a, box_b): """ We resize both tensors to [A,B,2] without new malloc: [A,2] -> [A,1,2] -> [A,B,2] [B,2] -> [1,B,2] -> [A,B,2] Then... import torch def intersect(box_a, box_b): """ We resize both tensors to [A,B,2] without new malloc: [A,2] -> [A,1,2] -> [A,B,2] [B,2] -> [1,B,2] -> [A,B,2] Then...
- pytorch 多GPU训练 pytorch多GPU最终还是没搞通，可用的部分是前向计算，back propagation会出错，当时运行通过，也不太确定是如何通过了的。目前是这样，有机会再来补充 pytorch支持多GPU训练，官方文档（pytorch 0.30）给了一些说明：pytorch数据并行，但遗憾的是给出的说明并不详细。不过说的还是蛮清楚的，建... pytorch 多GPU训练 pytorch多GPU最终还是没搞通，可用的部分是前向计算，back propagation会出错，当时运行通过，也不太确定是如何通过了的。目前是这样，有机会再来补充 pytorch支持多GPU训练，官方文档（pytorch 0.30）给了一些说明：pytorch数据并行，但遗憾的是给出的说明并不详细。不过说的还是蛮清楚的，建...
- import torchimport numpy as npimport mathdata = [-0.9999,-0.5, -0.1, 0.8,0.9]tensor = torch.FloatTensor(data) # 转换成32位浮点 tensor # sin 三角函数 sinprint( '\nsin',torch.log(math.pi- to... import torchimport numpy as npimport mathdata = [-0.9999,-0.5, -0.1, 0.8,0.9]tensor = torch.FloatTensor(data) # 转换成32位浮点 tensor # sin 三角函数 sinprint( '\nsin',torch.log(math.pi- to...
上滑加载中
推荐直播
-
用码道，让你的AI作品三步上朋友圈2026/08/04 周二 19:00-20:00
林华鼎-华为云AI开发者运营负责人
从入门 · 到做AI应用 · 到企业级开发。不教编程，只教用AI · 零代码、有产出、能带走、可炫耀 · 每课人人动手实操
回顾中 -
华为云码道Agent集成与鸿蒙实战2026/08/11 周二 19:00-21:00
王一男-华为云码道产品规划专家；李炎-华为云码道产品专家；彭江敏-华为云鸿蒙端云一体化开发专家
本次直播带你解读华为云码道7月份产品新特性、新功能。更有专家演示码道Agent Space × 钉钉机器集成实战，从0到1打通消息通道；码道鸿蒙端云一体化实战，快速搭建员工签到系统。
回顾中 -
基于华为云码道，构建你的定制化AI搭子2026/08/14 周五 09:00-11:30
明亮-华为云开发者发展与支持部部长
本期直播将向您全面介绍华为云码道产品，并基于码道手把手教你部署自己的定制化AI陪伴搭子。
回顾中
热门标签