kaggle 订阅
Kaggle是由联合创始人、首席执行官安东尼·高德布卢姆(Anthony Goldbloom)2010年在墨尔本创立的,主要为开发商和数据科学家提供举办机器学习竞赛、托管数据库、编写和分享代码的平台。该平台已经吸引了80万名数据科学家的关注,这些用户资源或许正是吸引谷歌的主要因素。 展开全文
Kaggle是由联合创始人、首席执行官安东尼·高德布卢姆(Anthony Goldbloom)2010年在墨尔本创立的,主要为开发商和数据科学家提供举办机器学习竞赛、托管数据库、编写和分享代码的平台。该平台已经吸引了80万名数据科学家的关注,这些用户资源或许正是吸引谷歌的主要因素。
信息
外文名
Kaggle
业务内容
为开发商和数据科学家提供举办机器学习竞赛等
创造时间
2010年
创造地点
墨尔本
创始人
安东尼·高德布卢姆
用户扩展
数据科学家
Kaggle企业简介
Kaggle公司是由联合创始人兼首席执行官AnthonyGoldbloom2010年在墨尔本创立的,主要是为开发商和数据科学家提供举办机器学习竞赛、托管数据库、编写和分享代码的平台。这一平台已经吸引了许多科学家和开发者的关注,他们也纷纷入驻这一平台。这些科学家和开发者资源正是谷歌看中他们的地方 [1]  。
收起全文
精华内容
参与话题
问答
  • pytorch

    千次阅读 2018-09-23 21:40:39
    安装pytorch(豆瓣源) pip3 install http://download.pytorch.org/whl/cu90/torch-0.4.1-cp36-cp36m-win_amd64.whl --user -i http://pypi.douban.com/

    安装PyTorch(豆瓣源)

    pip3 install http://download.pytorch.org/whl/cu90/torch-0.4.1-cp36-cp36m-win_amd64.whl --user  -i http://pypi.douban.com/
    
    展开全文
  • Pytorch LSTM 时间序列预测

    千次阅读 2018-11-25 15:16:50
    Pytorch LSTM 时间序列预测 https://github.com/pytorch/examples/blob/master/time_sequence_prediction/generate_sine_wave.py Pytorch官网提供初学者入门的一个例子,有助于学习Pytorch时间序列预测。本例中...

    Pytorch  LSTM 时间序列预测

    https://github.com/pytorch/examples/blob/master/time_sequence_prediction/generate_sine_wave.py

    Pytorch官网提供初学者入门的一个例子,有助于学习Pytorch时间序列预测。本例中使用两个LSTMCell单元学习从不同相位开始的一些正弦波信号,LSTM网络在学习了正弦波之后,试图预测未来的信号值。

    generate_sine_wave.py生成模拟数据:

    # -*- coding: utf-8 -*-
    
    import numpy as np
    import torch
    
    np.random.seed(2)
    
    T = 20
    L = 1000
    N = 100
    
    x = np.empty((N, L), 'int64')
    
    x[:] = np.array(range(L)) + np.random.randint(-4 * T, 4 * T, N).reshape(N, 1)
    data = np.sin(x / 1.0 / T).astype('float64')
    torch.save(data, open('traindata.pt', 'wb'))
    
    

    LSTM数据序列预测:

    # -*- coding: utf-8 -*-
    from __future__ import print_function
    import torch
    import torch.nn as nn
    import torch.optim as optim
    import numpy as np
    import matplotlib
    matplotlib.use('Agg')
    import matplotlib.pyplot as plt
    
    class Sequence(nn.Module):
        def __init__(self):
            super(Sequence, self).__init__()
            self.lstm1 = nn.LSTMCell(1, 51)
            self.lstm2 = nn.LSTMCell(51, 51)
            self.linear = nn.Linear(51, 1)
    
        def forward(self, input, future = 0):
            outputs = []
            h_t = torch.zeros(input.size(0), 51, dtype=torch.double)
            c_t = torch.zeros(input.size(0), 51, dtype=torch.double)
            h_t2 = torch.zeros(input.size(0), 51, dtype=torch.double)
            c_t2 = torch.zeros(input.size(0), 51, dtype=torch.double)
    
            for i, input_t in enumerate(input.chunk(input.size(1), dim=1)):
                h_t, c_t = self.lstm1(input_t, (h_t, c_t))
                h_t2, c_t2 = self.lstm2(h_t, (h_t2, c_t2))
                output = self.linear(h_t2)
                outputs += [output]
            for i in range(future):# if we should predict the future
                h_t, c_t = self.lstm1(output, (h_t, c_t))
                h_t2, c_t2 = self.lstm2(h_t, (h_t2, c_t2))
                output = self.linear(h_t2)
                outputs += [output]
            outputs = torch.stack(outputs, 1).squeeze(2)
            return outputs
    
    
    if __name__ == '__main__':
        # set random seed to 0
        np.random.seed(0)
        torch.manual_seed(0)
        # load data and make training set
        data = torch.load('traindata.pt')
        input = torch.from_numpy(data[3:, :-1])
        target = torch.from_numpy(data[3:, 1:])
        test_input = torch.from_numpy(data[:3, :-1])
        test_target = torch.from_numpy(data[:3, 1:])
        # build the model
        seq = Sequence()
        seq.double()
        criterion = nn.MSELoss()
        # use LBFGS as optimizer since we can load the whole data to train
        optimizer = optim.LBFGS(seq.parameters(), lr=0.8)
        #begin to train
        for i in range(15):
            print('STEP: ', i)
            def closure():
                optimizer.zero_grad()
                out = seq(input)
                loss = criterion(out, target)
                print('loss:', loss.item())
                loss.backward()
                return loss
            optimizer.step(closure)
            # begin to predict, no need to track gradient here
            with torch.no_grad():
                future = 1000
                pred = seq(test_input, future=future)
                loss = criterion(pred[:, :-future], test_target)
                print('test loss:', loss.item())
                y = pred.detach().numpy()
            # draw the result
            plt.figure(figsize=(30,10))
            plt.title('Predict future values for time sequences\n(Dashlines are predicted values)', fontsize=30)
            plt.xlabel('x', fontsize=20)
            plt.ylabel('y', fontsize=20)
            plt.xticks(fontsize=20)
            plt.yticks(fontsize=20)
            def draw(yi, color):
                plt.plot(np.arange(input.size(1)), yi[:input.size(1)], color, linewidth = 2.0)
                plt.plot(np.arange(input.size(1), input.size(1) + future), yi[input.size(1):], color + ':', linewidth = 2.0)
            draw(y[0], 'r')
            draw(y[1], 'g')
            draw(y[2], 'b')
            plt.savefig('predict%d.pdf'%i)
            plt.close()

    运行结果:

    展开全文
  • Pytorch 安装

    千次阅读 2019-04-10 13:43:15
    Pytorch 安装 已有Cuda 9.0,anaconda3,用conda命令安装pytorch conda install pytorch torchvision cuda90 -c pytorch 验证是否安装成功 python 然后依次输入 from __future__ import print_function import ...

    Pytorch 安装

    已有Cuda 9.0,anaconda3,用conda命令安装pytorch

    conda install pytorch torchvision cuda90 -c pytorch
    

    验证是否安装成功

    python
    

    然后依次输入

    from __future__ import print_function
    import torch
    x = torch.rand(5, 3)
    print(x)
    

    得到如下之类的输出

    0.1820  0.1333  0.2273
     0.9710  0.9239  0.4220
     0.5378  0.4325  0.6748
     0.1138  0.1160  0.1531
     0.3309  0.7117  0.6854
    [torch.FloatTensor of size 5x3]
    
    

    验证pytorch在当前GPU和cuda上是否能用

    import torch
    torch.cuda.is_available()
    

    在这里插入图片描述

    展开全文
  • Pytorch安装-Ubuntu 16.04安装 Pytorch详细教程
    个人微信公众号:AI研习图书馆

    ID:(Art-Intelligence)
    欢迎关注,交流学习,共同进步~

    1. 引言

    关于显卡驱动安装,cudn安装,cudnn安装,可以参看我的另一篇博客,caffe安装的前半部分,有详细安装过程:
    https://blog.csdn.net/weixin_44222014/article/details/103130053

    本文主要介绍pytorch安装。

    本机环境:ubuntu16.04+pytorch0.4.1+python2.7+cuda8.0+cudn5

    2. 安装方法

    2.1 安装

    首先进入pytorch官网,往下拉会看到不同的安装选项
    根据自己电脑的配置选择不同的选项,例如我选择的stable版本、Linux系统、pip安装、python版本为2.7、cuda为8.0,如下图所示:
    pytorch官网
    在这里插入图片描述

    选择完之后下面会出现安装所需的命令,如下图
    在这里插入图片描述
    先后运行前两个命令就可以,网速慢的话只能慢慢等了,也可以离线下载,然后进行安装。

    安装成功第一条命令后是这样的:
    在这里插入图片描述
    安装成功第二条命令后是这样的:
    在这里插入图片描述

    2.2 测试

    下面测试是否安装成功,命令行中输入:

    python
    import torch
    torch.__version__
    
    

    没有问题的话,会输出版本为0.4.1,如下图所示:
    在这里插入图片描述

    以上只是基于pytorch0.4.1的安装方法,举一反三,同理可得,其他版本也是如此流程安装,比较简单,建议离线下载,然后安装~

    祝你成功,深度学习大有可为~

    您的支持,是我不断创作的最大动力~

    欢迎点赞关注留言交流~

    深度学习,乐此不疲~

    欢迎关注个人微信公众号~

    在这里插入图片描述

    展开全文
  • PyTorch从入门到实战一次学会

    千人学习 2019-12-29 13:44:33
    最后通过 kaggle 项目:猫狗分类,实战pytorch深度学习工具。 【课程如何观看?】 PC端:https://edu.csdn.net/course/detail/27286 移动端:CSDN 学院APP(注意不是CSDN APP哦) ...
  • pytorch教程

    千次阅读 2018-07-11 11:33:19
    1. Deep Learning with PyTorch: A 60 Minute Blitz2. PyTorch中文文档3. 《深度学习框架PyTorch:入门与实践》对应实例代码4. 莫烦pytorch视频教程5. 莫烦pytorch视频代码6. PyTorch Examples7. 吐血整理:...
  • windows下pytorch安装

    千次阅读 2019-06-03 14:17:38
    前提安装好CUDA和cuDNN 如果没有安装好CUDA和cuDNN请转移至 ...pytorch安装 进入pytorch官网:https://pytorch.org/get-started/locally/ 选择对应的CUDA版本 按照提示的pip命令在windows终端中运行即...
  • win7 安装PyTorch

    千次阅读 2018-04-27 21:30:58
    win7 安装PyTorch并测试 4月25号,PyTorch官方支持windows安装,博主第一时间安装使用了,下面分享安装过程和测试案例。 安装anaconda,方法查看:https://blog.csdn.net/zyb228/article/details/77995520 版本...
  • 通过anaconda安装python及pytorch安装

    千次阅读 热门讨论 2019-09-04 14:15:20
    通过anaconda安装python及pytorch安装教程,亲测可用python安装pytorch安装 python安装 第一步:https://www.anaconda.com/download/ 点击上面链接,出现下图界面: 第二步:点击上图中的Windows,出现下图: 第三...
  • 最近尝试了借助Kaggle下载。 这里有所有模型的列表 https://github.com/pytorch/vision/tree/master/torchvision/models model_urls = { 'resnet18': 'https://download.pytorch.org/models/resnet18-...
  • PyTorch】学习之路—简简单单的入门,一文看懂

    千次阅读 多人点赞 2019-07-08 09:38:13
    Pytorch
  • conda安装pytorch

    千次阅读 2019-11-24 15:06:28
    conda安装pytorch说明anaconda版本安装cuda10.x配置国内清华镜像源切换到pytorch环境安装到当前环境验证 说明 使用conda安装,不建议使用pip安装; cuda使用10.0或更高版本. anaconda版本 Anaconda3-2019.10-...
  • 深度学习与PyTorch实战

    千人学习 2019-12-30 10:00:44
    通俗讲解深度学习中两大经典网络架构CNN与RNN模型,结合当下最主流PyTorch框架进行实战演练,选择当下NLP与CV中经典项目与解决方案,全部基于真实数据集,结合项目源码展开网络架构分析与实例应用。课程风格通俗易懂...
  • 使用清华镜像源下载pytorch

    千次阅读 2020-02-10 23:32:36
    使用清华镜像源下载pytorch 由于墙的缘故,我们在国内下载pytorch的速度是非常慢的,甚至还容易出现中断。这时我们可以使用国内的清华源,自己下载所需要的包,然后本地安装。 清华镜像 首先去清华源pytorch的网站找...
  • 需要解决安装pytorch速度慢的问题的同学直接拉到(二)使用清华大学镜像源进行安装步骤。文章的最后放了一条我自己的安装经验,用清华大学镜像源安装pytorch也出问题的同学强烈建议阅读。 本文主要聚焦于解决安装...
  • 也不知道对不对,就凭着...数据集:https://www.kaggle.com/c/titanic/data 1 import torch 2 import torch.nn as nn 3 import pandas as pd 4 import numpy as np 5 6 7 class DataProcessi...
  • pytorch kaggle猫狗分类数据训练

    千次阅读 2019-03-06 21:08:58
    难点: 1.图片数据处理问题,增强,加载及批处理 2.训练模型语句快速搭建 3.批训练查看loss和准确率方法,item,max等 import torch import torch.nn as nn from torchvision import transforms,datasets ...
  • 使用anaconda安装pytorch

    万次阅读 多人点赞 2019-07-09 15:14:33
    使用anaconda安装pytorch使用anaconda安装pytorch过程中出现的问题使用anaconda直接从网上下载使用anaconda从本地下载torch使用anaconda从本地下载torchvision 使用anaconda安装pytorch过程中出现的问题 在使用...
  • device = torch.device("cuda" if torch.cuda.is_available() else ...链接kaggle !pip install -U -q kaggle !mkdir -p ~/.kaggle !echo '{"username":"*****","key":"*****"}' > ~/.kaggle/kaggle.json # {"...
  • anaconda安装pytorch cpu版

    千次阅读 2019-07-13 13:49:34
    anaconda安装pytorch cpu版 搜索包 anaconda search -t conda jieba anaconda show pytorch/pytorch-cpu 安装包到指定环境 conda install -n root --channel https://conda.anaconda.org/pytorch pytorch-cpu...
  • 今天小编就为大家分享一篇使用pytorch完成kaggle猫狗图像识别方式,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
  • Pytorch实战Kaggle房价预测比赛

    千次阅读 2019-11-17 17:17:53
    本文使用Pytorch构建一个线性模型来完成预测。 比赛地址为:我们可以在房价预测⽐赛的⽹⻚上了解⽐赛信息和参赛者成绩,也可以下载数据集并提交⾃⼰的预测结果。该⽐赛的⽹⻚地址是 ...

空空如也

1 2 3 4 5 ... 20
收藏数 119,675
精华内容 47,870
关键字:

kaggle