- 博客(6)
- 收藏
- 关注
RSS订阅原创 Pytorch官方教程学习笔记6：完整训练一个模型
您今天需要运行的代码：分两个文件，一个文件用于训练模型，另一个用于加载模型和使用模型，注意两个模型需要在同一目录下。
2024-11-05 17:50:37
480
原创 Pytorch官方教程学习笔记5：优化模型参数
现在我们已经有了模型和数据，接下来就该通过优化模型的参数来对数据进行训练、验证和测试。训练模型是一个迭代的过程；在每次迭代中，模型会对输出进行猜测，计算该猜测的误差（损失），收集误差相对于其参数的导数（如前一节所示），然后使用梯度下降来优化这些参数。我们将加载前面章节中关于数据集和数据加载器（Datasets & DataLoaders）以及模型构建（Build Model）的代码。由于前文中以及详细讲解了该段代码，这里便不再赘述。超参数超参数是可以调整的参数，用于控制模型的优化过程。不同的超参数
2024-11-05 17:12:18
1412
原创 Pytorch官方教程学习笔记4：基于torch.autograd的自动微分
在训练神经网络时，最常用的算法是反向传播。在该算法中，参数（即模型的权重）会根据损失函数相对于给定参数的梯度进行调整。为了计算这些梯度，PyTorch 内置了一个称为 的微分引擎。它支持对任意计算图的梯度进行自动计算。考虑一个最简单的单层神经网络，包含输入 ，参数 和 ，以及某个损失函数。可以使用 PyTorch 以如下方式定义：张量、函数和计算图此代码的计算过程可以由以下计算图表示：图1 计算图其中，计算得到的z为y的估计量，通过二元交叉熵函数计算了z与y的差距，得到了损失。在这个网络中，
2024-11-04 23:31:07
1561
原创 Pytorch官方教程学习笔记3：搭建一个神经网络
我们通过继承nn.Module来定义神经网络，并在__init__方法中初始化神经网络的层。每个nn.Module子类都在forward方法中实现对输入数据的操作。super().__init__() # 调用父类 nn.Module 的构造函数self.flatten = nn.Flatten() # 定义一个将输入展平（从二维28x28转为一维784）的层# 定义一个顺序容器，包含一系列线性层和ReLU激活函数。
2024-11-03 21:24:42
1903
原创 Pytorch官方教程学习笔记2：数据集与数据加载器
用于处理数据样本的代码可能会变得混乱且难以维护。理想情况下，我们希望将数据集代码与模型训练代码解耦，以提高可读性和模块化程度。和，它们允许您使用预加载的数据集以及自定义的数据。Dataset存储样本及其对应的标签，而DataLoader则为Dataset提供了一个可迭代对象，方便访问样本数据。PyTorch 的领域库提供了许多预加载的数据集（如 FashionMNIST），这些数据集继承自，并实现了特定数据的函数。它们可以用于快速构建和评估您的模型。
2024-11-03 15:29:16
733
原创 Pytorch官方教程学习笔记1：张量
张量是一种专门的数据结构，与数组和矩阵非常相似。在 PyTorch 中，我们使用张量来编码模型的输入和输出，以及模型的参数。张量与 NumPy 的 ndarrays 类似，但张量可以在 GPU 或其他硬件加速器上运行。事实上，张量和 NumPy 数组通常可以共享相同的底层内存，从而消除了复制数据的需要，还针对自动微分进行了优化。上述代码为所需引用头文件。
2024-11-02 22:54:50
256
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人