精华内容
下载资源
问答
  • 这是 深度学习框架PyTorch:入门与实践 PDF 高清版 全书完整 这是 深度学习框架PyTorch:入门与实践 PDF 高清版 全书完整
  • 深度学习框架pytorch入门与实践,中文书籍,mobi格式,欢迎下载。
  • >>>a = torch.randn(2,3,28,28) >>>a.numel() #求元素个数 4704 >>>a.dim() 4
  • 深度学习框架pytorch入门与实践5601600.epub
  • 深度学习框架pytorch入门与实践书中的代码和教程,包含了书中很多内容,需要用jupyter notebook打开
  • 深度学习框架PyTorch:入门与实践 高清非扫描版,带有目录方便查找内容,附有本书配套python代码。
  • 深度学习框架PyTorch:入门与实践(陈云) 完整版本每讲解Pytorch的一个知识点,都会举出大量的代码实例,深入浅出,十分易于理解,是入门深度学习和PyTorch的一本好
  • 深度学习框架PyTorch:入门与实践.陈云,90M高清,带标签
  • 深度学习框架Pytorch深度学习框架Pytorch——学习笔记(一)1.什么是Pytorch,为什么选择Pytroch?2.Pytroch的安装2.1配置Python环境2.2准备Python管理器2.3 通过命令行安装PyTorch3.PyTorch基础概念4.通用代码实现...

    深度学习框架Pytorch——学习笔记(一)

    记录在学习过程中,学到的东西和遇到的问题。
    

    1.什么是Pytorch,为什么选择Pytroch?

    pytorch是深度学习框架,是目前主流框架之一。
    pytroch的结构和python类似,易于理解。

    2.Pytroch的安装

    2.1配置Python环境

    通过官网下载安装包
    官网:https://www.python.org/downloads/
    或者安装 Anaconda版本
    Anaconda官网:https://www.anaconda.com/distribution/

    我建议使用Anaconda进行安装,因为conda中有一个虚拟环境的功能,可以很好的区分和管理,python的不同需求下的环境,从而不用重复安装python。

    命令行操作可以使用git工具,它比windows自带的cmd,更加支持shell等一下操作。

    conda创建虚拟环境过程:

    1. conda创建虚拟环境
    	 conda create -n pytorch python=3.6
    

    创建一个名为"pytorch"的python虚拟环境,其采用的python版本为3.6。虚拟环境中的版本可以自己选择,不一定要和conda版本相同。
    2. 进入虚拟环境

       source activate pytorch
    

    3.进入成功,说明环境创建完成。虚拟环境中的python环境,外部也是可以找到和调用的。
    4.conda如果需要下载一些包,可能会特别慢,需要修改conda源。因为访问的是国外源,出于国家政策原因,会下载特别慢,甚至不下载,需要修改为国内机构的源。

        # 使用清华 conda 镜像。
        conda config --prepend channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
    
        # 或者选用科大 conda 镜像。
        conda config --prepend channels http://mirrors.ustc.edu.cn/anaconda/pkgs/free/
    

    2.2准备Python管理器

    python代码管理,我使用的是 Pycharm 。功能齐全,代码调试方便。
    pycharm 安装比较简单,官网下载即可。
    分为免费版(社区版) 和 收费版(专业版)。
    如有专业版的需求,可以通过 https://blog.csdn.net/u014044812/article/details/78727496 进行破解。

    2.3 通过命令行安装PyTorch

    安装方式在pytorch官网有 ,官网:https://pytorch.org/
    一般可以采用以下两种方式安装
    一种是可以通过python pip 进行安装。

    pip3 install https://download.pytorch.org/whl/cu90/torch-1.1.0-cp36-cp36m-win_amd64.whl
    pip3 install torchvision
    

    另一种是conda进行安装(我采用的方式)

    安装最新版的环境
    conda install pytorch torchvision -c pytorch
    
    根据需求可以选择pytorch版本进行安装
    conda install pytorch=1.0.0 torchvision -c pytorch
    

    3.PyTorch基础概念

    tensor

    可以理解为张量矩阵,和numpy实际上是一样的。两者可以相互转化。其好处是可以在GPU上进行计算,而numpy不行。

    autograd 自动化 (自动求导)

    这个特点,也是pytorch的主要特点,从而实现动态的计算图。
    torch矩阵中,属性 requires_grad = True,可以进行记录操作过程跟踪。

    4.通用代码实现流程(实现一个深度学习的代码流程)

    神经网络的典型训练流程

    1.数据获取和加载。如果是通用数据,pytorch已经做了封装,直接调运就可以。
    2.网络定义。常规的网络,pytorch也已经封装好了,直接调用即可。
    3.损失函数和优化方法。
    4.训练
    5.测试

    代码实现

    import torch
    import torchvision
    import torchvision.transforms as transforms
    import torchvision.datasets.cifar
    
    ### 数据获取和加载
    transform = transforms.Compose(
        [transforms.ToTensor(),
         transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
    
    trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                            download=True, transform=transform)
    trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                              shuffle=True, num_workers=2)
    
    testset = torchvision.datasets.CIFAR10(root='./data', train=False,
                                           download=True, transform=transform)
    testloader = torch.utils.data.DataLoader(testset, batch_size=4,
                                             shuffle=False, num_workers=2)
    classes = ('plane', 'car', 'bird', 'cat',
               'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
    
    ### 网络定义
    import torch.nn as nn
    import torch.nn.functional as F
    
    class Net(nn.Module):
        def __init__(self):
            super(Net, self).__init__()
            self.conv1 = nn.Conv2d(3, 6, 5)
            self.pool = nn.MaxPool2d(2, 2)
            self.conv2 = nn.Conv2d(6, 16, 5)
            self.fc1 = nn.Linear(16 * 5 * 5, 120)
            self.fc2 = nn.Linear(120, 84)
            self.fc3 = nn.Linear(84, 10)
    
        def forward(self, x):
    
            x = self.pool(F.relu(self.conv1(x)))
            x = self.pool(F.relu(self.conv2(x)))
            x = x.view(-1, 16 * 5 * 5)
            x = F.relu(self.fc1(x))
            x = F.relu(self.fc2(x))
            x = self.fc3(x)
            return x
    net = Net()
    ### 将网络转到GPU上
    device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
    net.to(device)
    
    ### 定义损失函数和优化方法
    import torch.optim as optim
    criterion = nn.CrossEntropyLoss()
    optimizer = optim.SGD(net.parameters(), lr=0.01, momentum=0.9)
    
    for epoch in range(2):  
    
        running_loss = 0.0
        for i, data in enumerate(trainloader, 0):
            # 获取数据并转到GPU上
            inputs, labels = data
            inputs, labels = inputs.to(device), labels.to(device)
    
            # zero the parameter gradients
            optimizer.zero_grad()
    
            # forward + backward + optimize
            outputs = net(inputs)
            loss = criterion(outputs, labels)
            loss.backward()
            optimizer.step()
    
            # print statistics
            running_loss += loss.item()
            if i % 2000 == 1999:    # print every 2000 mini-batches
                print('[%d, %5d] loss: %.3f' %
                      (epoch + 1, i + 1, running_loss / 2000))
                running_loss = 0.0
    print('Finished Training')
    
    
    ### 测试
    class_correct = list(0. for i in range(10))
    class_total = list(0. for i in range(10))
    with torch.no_grad():
        for data in testloader:
            images, labels = data
            images, labels = images.to(device), labels.to(device)
            outputs = net(images)
            _, predicted = torch.max(outputs, 1)
            # print(predicted)
            c = (predicted == labels).squeeze()
            for i in range(4):
                label = labels[i]
                class_correct[label] += c[i].item()
                class_total[label] += 1
                
    for i in range(10):
        print('Accuracy of %5s : %2d %%' % (
            classes[i], 100 * class_correct[i] / class_total[i]))
    

    通过学习,了解了神经网络进行分类的过程。以及每个步骤的作用,简单实现了一个分类任务。

    参考

    [1] https://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html
    [2] https://github.com/chenyuntc/pytorch-book

    展开全文
  • 邢梦来老师的《深度学习框架Pytorch快速开发与实战》 原书数据以及源码
  • DL框架之PyTorch:深度学习框架PyTorch的简介、安装、使用方法之详细攻略 目录 PyTorch的简介 1、pytorch的三大优势 2、PyTorch的三个结构层次 PyTorch的安装 1、20181114更新版本到 torch-0.4.1 2、...

    DL框架之PyTorch:PyTorch的简介、安装、使用方法之详细攻略

    DL框架之PyTorch:深度学习框架PyTorch的简介、安装、使用方法之详细攻略

     

     

    目录

    PyTorch的简介

    1、pytorch的三大优势

    2、PyTorch的三个结构层次

    PyTorch的安装

    1、20181114更新版本到 torch-0.4.1

    2、20200108更新版本到 torch 1.3.1

    3、Anaconda内安装torch的whl文件更新版本到 torch 1.3.1

    4、Anaconda内安装torch的whl文件更新版本到 torch 1.0.0

    PyTorch的使用方法

    0、Pytorch基础知识

    1、Pytorch三行命令即可运算

    2、Pytorch加载预训练模型


     

    相关文章
    DL框架之PyTorch:PyTorch的简介、安装、使用方法之详细攻略
    Py之torchvision:torchvision库的简介、安装、使用方法之详细攻略

     

    PyTorch的简介

           pytorch是一个python优先的深度学习框架,是一个和tensorflow,Caffe,MXnet一样,非常底层的框架。     
           在 AI 开发中,从研究到产品的过程通常涉及很多的步骤和工具,使得测试新方法、部署以及迭代提高准确率和性能很耗时、复杂。为了帮助加速和优化这个过程,Facebook 发布了 PyTorch 1.0,其开源 AI 框架的最新版本。
           PyTorch 1.0 发布在即,全新的版本融合了 Caffe2 和 ONNX 支持模块化、面向生产的功能,并保留了 PyTorch 现有的灵活、以研究为中心的设计。PyTorch 1.0 从 Caffe2 和 ONNX 移植了模块化和产品导向的功能,并将它们和 PyTorch 已有的灵活、专注研究的设计结合,已提供多种 AI 项目的从研究原型制作到产品部署的快速、无缝路径。利用 PyTorch 1.0,AI 开发者可以通过混合前端快速地实验和优化性能,该前端可以在命令式执行和声明式执行之间无缝地转换。PyTorch 1.0 中的技术已经让很多 Facebook 的产品和服务变得更强大,包括每天执行 60 亿次文本翻译。
           PyTorch是一个基于Torch的Python开源机器学习库,用于自然语言处理等应用程序。它主要由Facebookd的人工智能小组开发,不仅能够 实现强大的GPU加速,同时还支持动态神经网络,这一点是现在很多主流框架如TensorFlow都不支持的。 PyTorch提供了两个高级功能: 1.具有强大的GPU加速的张量计算(如Numpy) 2.包含自动求导系统的深度神经网络 除了Facebook之外,Twitter、GMU和Salesforce等机构都采用了PyTorch。
           从 PyTorch 到 Caffe2 的迁移过程以前是手动的、耗时间的和容易出错的。为了解决这个问题,Facebook 与主要的硬件和软件公司合作创建了 ONNX(开放神经网络交换格式),这是一种用于表示深度学习模型的开放格式。通过 ONNX,开发者能在不同的框架间共享模型,例如我们可以导出由 PyTorch 构建的模型,并将它们导入到 Caffe2。在 Facebook 中,这令我们能在大规模服务器和移动端上快速实现 AI 的研究、训练和推断。Facebook 已经用这些工具(PyTorch、Caffe2 和 ONNX)来构建和部署 Translate,这一工具能大规模运行并支持翻译 Facebook 中最常用的 48 种语言。在 VR 中,这些工具对于将基于 Oculus 的新研究部署到生产过程中至关重要。


           Torch官网https://pytorch.org/
           Torch官网的gitHubhttps://github.com/torch/torch7
           pypi torch :  https://pypi.org/project/torch/

           Torch自称为神经网络界的 Numpy,因为他能将 torch 产生的 tensor 放在 GPU 中加速运算 (前提是你有合适的 GPU), 就像 Numpy 会把 array 放在 CPU 中加速运算。 所以神经网络的话, 当然是用 Torch 的 tensor 形式数据最好。 就像 Tensorflow 当中的 tensor 一样。pytorch是一个动态的建图的工具。不像Tensorflow那样,先建图,然后通过feed和run重复执行建好的图。相对来说,pytorch具有更好的灵活性。
          如图所示,Torch已经实现了很多库,比如ML、RL等。
    (1)、比如查询BatchNormalization算法的实现

    1、pytorch的三大优势

    • (1)、Python优先支持策略:Pytorch主推的特性之一,就是支持python(官方的提法:puts Python first)。因为直接构建自 Python C API,Pytorch从细粒度上直接支持python的访问。相比于原生Python实现,引入的新概念很少,这不仅降低了 python 用户理解的门槛,也能保证代码基本跟原生的 python 实现一致。事实上,开发者可以直接用原生 python 代码扩展 Pytorch 的 operation。
    • (2)、动态图的良好支持:Tensorflow运行必须提前建好静态计算图,然后通过feed和run重复执行建好的图。但是Pytorch却不需要这么麻烦:PyTorch的程序可以在执行时动态构建/调整计算图。相对来说,pytorch具有更好的灵活性。这得益于Pytorch直接基于 python C API 构建的 python 接口。
    • (3)、易于Debug:Pytorch在运行时可以生成动态图,开发者就可以在堆栈跟踪中看到哪一行代码导致了错误。你甚至可以在调试器中停掉解释器并看看某个层会产生什么。
    • (4)、PyTorch可以使用GPU的功能代替numpy。 一个深刻的学习研究平台,提供最大的灵活性和速度。

     

    2、PyTorch的三个结构层次

    • tensor:张量,多维数组,可在GPU上跑。
    • variable:可记住tensor在计算图中的位置,可知道当前variable和之前variable的关系。
    • module:神经网络的层次,如全连接层、卷积层。


     

    PyTorch的安装

    pip install torch
    pip install torch==0.4.1.post2
    
    
    T1方法
    git clone https://github.com/pytorch/vision
    cd vision
    python setup.py install
    T2方法
    pip3 install http://download.pytorch.org/whl/cu80/torch-0.4.0-cp36-cp36m-win_amd64.whl 
    pip3 install torchvision
    
    T3方法
    pip install torch-0.4.0-cp36-cp36m-win_amd64.whl
    pip install torchvision


     

    1、20181114更新版本到 torch-0.4.1

    pip3 install http://download.pytorch.org/whl/cu80/torch-0.4.1-cp36-cp36m-win_amd64.whl
    pip3 install torchvision


    (1)、测试

    import torch  
    print(torch.__version__)          #输出版本信息
    print(torch.cuda.is_available())  #查看是否支持cuda
    

     

    2、20200108更新版本到 torch 1.3.1

    官网:https://pytorch.org/

    执行命令:

    pip3 install torch===1.3.1 torchvision===0.4.2 -f https://download.pytorch.org/whl/torch_stable.html
    
    或者
    pip install torch-1.3.1-cp36-cp36m-win_amd64.whl

     

    3、Anaconda内安装torch的whl文件更新版本到 torch 1.3.1

    pip install D:\ProgramData\Anaconda3\envs\torch-1.3.1-cp36-cp36m-win_amd64.whl

     

    4、Anaconda内安装torch的whl文件更新版本到 torch 1.0.0

    pip install torch===1.0.0 torchvision===0.2.1 -f https://download.pytorch.org/whl/cu100/torch_stable.html

     

     

    PyTorch的使用方法

    相关文章
    Pytorch之CNN:基于Pytorch框架实现经典卷积神经网络的算法(LeNet、AlexNet、VGG、NIN、GoogleNet、ResNet)——从代码认知CNN经典架构

     

    0、Pytorch基础知识

    1、PyTorch是一个提供两个高级功能的python包:  
    具有强GPU加速度的张量计算(如numpy) 
    深层神经网络建立在基于磁带的自动调整系统上 
    可以重用您最喜爱的python软件包,如numpy,scipy和Cython,以便在需要时扩展PyTorch。  

    2、PyTorch在细粒度级别是由以下组件组成的库:
    torch   像NumPy这样的Tensor图书馆,拥有强大的GPU支持 
    torch.autograd   一种基于磁带的自动分类库,支持所有可区分的Tensor操作手电筒。pytorch的自动求导工具包在torch.autograd中。
    torch.nn   一个神经网络库与autograd设计了最大的灵活性。pytorch神经网络构建很容易,主要使用的包是torch.nn这个包,可以尝试使用pytorch构建一个简单的二层神经网络结构。

    torch.optim   一种与torch.nn一起使用的优化包,具有标准优化方法,如SGD,RMSProp,LBFGS,Adam等。 
    torch.multiprocessing   python多处理,但是具有魔法内存共享的手电筒传感器跨过程。适用于数据加载和hogwild培训。
    torch.utils   DataLoader,Trainer等实用功能为方便起见 torch.legacy(.nn / .optim) 由于向后兼容性原因,已经从割炬移植的旧代码 

    1、Pytorch三行命令即可运算

     

    2、Pytorch加载预训练模型

    import torch
    import torchvision
    
    alexnet= torchvision.models.models.alexnet(pretrained=True)
    vgg16 = torchvision.models.vgg16(pretrained=True)
    resnet101 = torchvision.models.resnet101(pretrained=True)
    resnet152 = torchvision.models.resnet152(pretrained=True)

     

     

     

     

     

    参考文献

    PyTorch官网

    PyTorch中文文档

    pytorch入门

    pytorch 学习笔记(一)

    Win10 Python3.6下安装PyTorch

    展开全文
  • 深度学习框架pytorch 当我们开始尝试做一个深度学习项目之前,选择一个合适的框架是非常重要的,因为选择一个合适的框架能起到事半功倍的作用,每个深度学习研究者不需要写大量的重复代码,它能够提高我们的开发效率...

    深度学习框架pytorch

    当我们开始尝试做一个深度学习项目之前,选择一个合适的框架是非常重要的,因为选择一个合适的框架能起到事半功倍的作用,每个深度学习研究者不需要写大量的重复代码,它能够提高我们的开发效率和速度。有许多优秀的深度学习框架,比如Tensorflow、Caffe、Theano、MXNet、Torch和PyTorch。
    在这里插入图片描述

    深度学习框架——pytorch

    pytorch深度学习框架,相对其它框架来说,它更加灵活,支持动态图,而且提供了Python接口。它是一个以Python优先的深度学习框架,不仅能够实现强大的GPU加速,同时还支持动态神经网络,这是其它深度学习框架所不支持的。

    循环神经网络——RNN

    我们知道神经网络的灵感来源于人类的大脑,对于我们人类而言,我们在以前经历的事情会在大脑中留下深刻的印象,这样我们往往能够重拾记忆。而循环神经网络的出现让人们看到了希望,它在序列问题,以及自然语言理解等领域取得了巨大的成功。

    循环神经网络的提出便是基于记忆模型的想法,期望循环神经网络能够记住前面出现的特征,并且能够依据前面的特征推断后面的结果,而且整体的网络不断循环,所以它叫做循环神经网络。

    循环神经网络的基本结构很简单,它就是将网络的输出保存到一个记忆单元中,这个记忆单元和下一次的输入一起进入神经网络中,它的结构如下所示:

    在这里插入图片描述

    这是最基本的循环神经网络RNN,我们可以看到网络输入的时候会联合记忆单元一起作为输入,网络不仅输出结果,还会将结果保存到记忆单元中。

    虽然这样的RNN神经网络结构能够记忆之前的情景,但是它和人一样,记忆力并不是无限的,它也存在遗忘性,所以网络往往不能记忆很长时间的信息,而且随着时间跨度越来越大,RNN也越来越难以学习这些信息。

    循环神经网络——LSTM

    后来在RNN基础上设计了新的循环神经网络LSTM,这个新的循环神经网络LSTM不仅能够解决短时记忆的问题,而且能够在一定的程度上解决长时间依赖的问题。

    在这里插入图片描述

    LSTM和RNN一样都是链式循环结构,它由三个门来控制,分别为输入门、遗忘门、输出门。其中最主要的就是遗忘门,它决定了之前的哪些记忆被保留,而哪些记忆被去掉,遗忘门使得LSTM具有了长时记忆的功能。

    基于pytorch构建LSTM

    import torch
    from torch.autograd import Variable
    from torch import nn
    lstm_seq = nn.LSTM(50, 100, num_layers=2)
    h_init = Variable(torch.randn(2, 3, 100))
    c_init = Variable(torch.randn(2, 3, 100))
    out, (h, c) = lstm_seq(lstm_input, (h_init, c_init))
    

    如上所示我们只使用了几行代码就构建了具有两层的循环神经网络LSTM,这就是框架的优势所在,其中这个循环神经网络输入层的维度是50,而输出层的维度是100。

    深度学习框架的出现降低了入门的门槛,我们不需要从复杂的神经网络开始编代码,可以根据需要选择已有的模型,通过训练得到模型参数,这就是深度学习框架的优势所在。

    展开全文
  • 深度学习框架PyTorch:入门与实践.陈云(详细书签) ,个人找了几版,这个是最好的,自己也在看,清晰度和排版完全没问题的,有需要可以下载哈 ,
  • 深度学习框架PyTorch:入门与实践》从多维数组Tensor开始,循序渐进地带领读者了解PyTorch各方面的基础知识。结合基础知识和前沿研究,带领读者从零开始完成几个经典有趣的深度学习小项目,包括GAN生成动漫头像、...

    内容简介 :

    《深度学习框架PyTorch:入门与实践》从多维数组Tensor开始,循序渐进地带领读者了解PyTorch各方面的基础知识。结合基础知识和前沿研究,带领读者从零开始完成几个经典有趣的深度学习小项目,包括GAN生成动漫头像、AI滤镜、AI写诗等。《深度学习框架PyTorch:入门与实践》没有简单机械地介绍各个函数接口的使用,而是尝试分门别类、循序渐进地向读者介绍PyTorch的知识,希望读者对PyTorch有一个完整的认识。

    《深度学习框架PyTorch:入门与实践》内容由浅入深,无论是深度学习的初学者,还是第一次接触PyTorch的研究人员,都能在学习本书的过程中快速掌握PyTorch。即使是有一定PyTorch使用经验的用户,也能够从本书中获得对PyTorch不一样的理解。

    作者简介:

    陈云

    Python程序员、Linux爱好者和PyTorch源码贡献者。主要研究方向包括计算机视觉和机器学习。“2017知乎看山杯机器学习挑战赛”一等奖,“2017天池医疗AI大赛”第八名。 热衷于推广PyTorch,并有丰富的使用经验,活跃于PyTorch论坛和知乎相关板块。

    目录:

    1 PyTorch简介
    1.1 PyTorch的诞生
    1.2 常见的深度学习框架简介
    1.2.1 Theano
    1.2.2 TensorFlow
    1.2.3 Keras
    1.2.4 Caffe/Caffe2
    1.2.5 MXNet
    1.2.6 CNTK
    1.2.7 其他框架
    1.3 属于动态图的未来
    1.4 为什么选择PyTorch
    1.5 星火燎原
    1.6 fast.ai 放弃Keras+TensorFlow选择PyTorch
    2 快速入门
    2.1 安装与配置
    2.1.1 安装PyTorch
    2.1.2 学习环境配置
    2.2 PyTorch入门第一步
    2.2.1 Tensor
    2.2.2 Autograd:自动微分
    2.2.3 神经网络
    2.2.4 小试牛刀:CIFAR-10分类
    3 Tensor和autograd
    3.1 Tensor
    3.1.1 基础操作
    3.1.2 Tensor和Numpy
    3.1.3 内部结构
    3.1.4 其他有关Tensor的话题
    3.1.5 小试牛刀:线性回归
    3.2 autograd
    3.2.1 Variable
    3.2.2 计算图
    3.2.3 扩展autograd
    3.2.4 小试牛刀:用Variable实现线性回归
    4 神经网络工具箱nn
    4.1 nn.Module
    4.2 常用的神经网络层
    4.2.1 图像相关层
    4.2.2 激活函数
    4.2.3 循环神经网络层
    4.2.4 损失函数
    4.3 优化器
    4.4 nn.functional
    4.5 初始化策略
    4.6 nn.Module深入分析
    4.7 nn和autograd的关系
    4.8 小试牛刀:用50行代码搭建ResNet
    5 PyTorch中常用的工具
    5.1 数据处理
    5.2 计算机视觉工具包:torchvision
    5.3 可视化工具
    5.3.1 Tensorboard
    5.3.2 visdom
    5.4 使用GPU加速:cuda
    5.5 持久化
    6 PyTorch实战指南
    6.1 编程实战:猫和狗二分类
    6.1.1 比赛介绍
    6.1.2 文件组织架构
    6.1.3 关于__init__.py
    6.1.4 数据加载
    6.1.5 模型定义
    6.1.6 工具函数
    6.1.7 配置文件
    6.1.8 main.py
    6.1.9 使用
    6.1.10 争议
    6.2 PyTorch Debug 指南
    6.2.1 ipdb 介绍
    6.2.2 在PyTorch中Debug
    7 AI插画师:生成对抗网络
    7.1 GAN的原理简介
    7.2 用GAN生成动漫头像
    7.3 实验结果分析
    8 AI艺术家:神经网络风格迁移
    8.1 风格迁移原理介绍
    8.2 用PyTorch实现风格迁移
    8.3 实验结果分析
    9 AI诗人:用RNN写诗
    9.1 自然语言处理的基础知识
    9.1.1 词向量
    9.1.2 RNN
    9.2 CharRNN
    9.3 用PyTorch实现CharRNN
    9.4 实验结果分析
    10 Image Caption:让神经网络看图讲故事
    10.1 图像描述介绍
    10.2 数据
    10.2.1 数据介绍
    10.2.2 图像数据处理
    10.2.3 数据加载
    10.3 模型与训练
    10.4 实验结果分析
    11 展望与未来
    11.1 PyTorch的局限与发展
    11.2 使用建议
    在这里插入图片描述
    下载地址:网盘链接,提取码:n1su

    展开全文
  • Ubuntu18.04下安装深度学习框架Pytorch(GPU加速)

    万次阅读 多人点赞 2018-09-18 11:43:38
    前面我们已经在windows10环境下成功安装了CPU版本的Pytorch,推荐的是利用Anaconda安装。 经过接近一天的奋战,博主成功在linux系统安装GPU加速的pytorch,博主使用的发行版是Ubuntu18.04。 说一下CUDA和CUDNN都...
  • 深度学习框架Pytorch——学习笔记(二)线性回归 使用pytorch 定义网络实现 线性回归 import torch from torch.autograd import Variable from matplotlib import pyplot as plt # train data # 训练数据 ...
  • 深度学习框架PyTorch:入门与实践》 读书笔记
  • DL:深度学习框架Pytorch、 Tensorflow各种角度对比 目录 先看两个框架实现同样功能的代码 1、Pytorch、Tensorflow代码比较 2、Tensorflow(数据即是代码,代码就是数据)+Pytorch(随着进展定义、更改和...
  • 深度学习框架pytorchRecently the CES 2020 concluded in Vegas and for those who aren’t aware, CES is the annual trade show for consumer electronics around the world. As such, it an excellent indicator ...
  • 深度学习框架PyTorch一书的学习-第六章-实战指南 python命令: cd E:\DeepingLearn\DogvsCat\pytorch-best-practice python main.py train --train-data-root=./data/train --use-gpu --env=classifier ...
  • 深度学习框架PyTorch既可以看作加入了GPU支持的numpy,同时也可以看成一个拥有自动求导功能的强大的深度神经网络。它不仅更加灵活,支持动态图,而且提供了强大的Python接口。 神经网络难以训练的问题 神经网络 有...
  • 随着深度学习的研究热潮持续高涨,各种开源深度学习框架也层出不穷,包括 TensorFlow、PyTorch、Caffe2、Keras、CNTK、MXNet、Paddle、DeepLearning4、Lasagne、Neon 等等。其中,谷歌推出的 TensorFlow 无疑在关注...
  • 深度学习框架Pytorch——学习笔记(六)PyTorch实现L1,L2正则化以及Dropout 什么是过拟合? 过拟合的表现就是在训练过程中,loss越来越低,但在测试集上测试发现效果很差,测试loss反而在逐渐升高,模型泛化能力...
  • 加载 PyTorch 深度学习框架模型报错 RuntimeError: version_ <= kMaxSupportedFileFormatVersion INTERNAL ASSERT FAILED at /pytorch/caffe2/serialize/inline_container.cc:132, please report a bug to ...
  • 它利用深度学习框架PyTorch将光子电路视为本质上是递归神经网络。 这使得可以使用本地PyTorch优化器来优化电路的(物理)参数。 弗洛里斯·拉波特[ ] 网站: 安装 稳定版 可以使用pip安装Photontorch: pip ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 22,661
精华内容 9,064
关键字:

深度学习框架pytorch