PyTorch
-
PyTorch入门学习（二）：Autogard之自动求梯度
autograd包是PyTorch中神经网络的核心部分,简单学习一下. autograd提供了所有张量操作的自动求微分功能. 它的灵活性体现在可以通过代码的运行来决定反向传播的过程, 这样就使得每一次的迭代都可以是不一样的. autograd.Variable是这个包中的核心类. 它封装了Tensor,并且支持了几乎所有Tensor的操作. 一旦你完成张量计…
-
pytorch官网上两个例程
caffe用起来太笨重了，最近转到pytorch，用起来实在不要太方便，上手也非常快，这里贴一下pytorch官网上的两个小例程，掌握一下它的用法： 例程一：利用nn 这个module构建网络，实现一个图像分类的小功能； 链接：http://pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.ht…
-
conda pytorch 配置
主要步骤： 0.安装anaconda3（基本没问题） 1.配置清华的源（基本没问题） 2.查看python版本，运行 python3 -V； 查看CUDA版本，运行 nvcc -V 3.如果想用最新版本的python，可以创建新的python版本： conda create –name python38 python=3.8 conda activ…
-
使用pytorch框架实现使用FM模型在movielen数据集上的电影评分预测(rendle的工作)
一、FM介绍 （1）实验的主要任务：使用FM在movielen数据集上进行电影评分预测任务（rendle的工作，经典的特征选择） （2）参考论文：Factorization Machines （3）部署环境：python37 + pytorch1.3 （4）数据集：Movielen的small数据集，使用的rating.csv文件。数据集按照8:2的比例进行…
-
使用pytorch框架实现使用MF模型在movielen数据集上的电影评分预测
一、MF介绍 （1）实验的主要任务：使用MF模型在数据集合上的评分预测（movielens，随机80%训练数据，20%测试数据，随机构造 Koren的经典模型） （2）参考论文：MATRIX FACTORIZATION TECHNIQUES FOR RECOMMENDER SYSTEMS 简单模型：难点在于构造qi与pu，通过来预测评分rui。在构造qi与…
-
pytorch的topk()函数
pytorch.topk()用于返回Tensor中的前k个元素以及元素对应的索引值。例： import torch item=torch.IntTensor([1,2,4,7,3,2]) value,indices=torch.topk(item,3) print(“value:”,value) print(“indices:”,indices) 输出结果为…
-
win10配置cuda和pytorch
简介 pytorch是非常流行的深度学习框架。下面是Windows平台配置pytorch的过程。 一共需要安装cuda、pycharm、anancoda、pytorch。 主要介绍cuda和pytorch的安装。 安装cuda 1. 根据自己的显卡，选择合适的cuda版本。 百度输入CUDA，进入官网下载。 下载结束后，进行安装。 安装结束后，自动弹出此窗口…
-
关于Pytorch的二维tensor的gather和scatter_操作用法分析
看得不明不白（我在下一篇中写了如何理解gather的用法） gather是一个比较复杂的操作，对一个2维tensor，输出的每个元素如下： out[i][j] = input[index[i][j]][j] # dim=0 out[i][j] = input[i][index[i][j]] # dim=1 二维tensor的gather操作 针对0轴 注意i…
-
《深度学习框架PyTorch：入门与实践》的Loss函数构建代码运行问题
在学习陈云的教程《深度学习框架PyTorch：入门与实践》的损失函数构建时代码如下： 可我运行如下代码： output = net(input) target = Variable(t.arange(0,10)) criterion = nn.MSELoss() loss = criterion(output, target) loss 运行结果： Runt…
-
Pytorch的gather用法理解
先放一张表，可以看成是二维数组 行(列)索引 索引0 索引1 索引2 索引3 索引0 0 1 2 3 索引1 4 5 6 7 索引2 8 9 10 11 索引3 12 13 14 15 看一下下面例子代码： 针对0维（输出为行形式） >>> import torch as t >>> a = t.arange(0,16).…
