CUDA】grid、block、thread的关系及thread索引的计算 https://hujingshuang.blog.csdn.net/article/details/53097222 目录例子1例子2 例子1 import torch print(torch.version.cuda) # 11.0 print(torch.__version__) # 1.7.0 import numpy import pycuda.autoinit import pycud
文章目录 1. 读取文本数据制作成pytorch专用数据集2. 对句子进行分词得到词库3. 构建DataLoadar https://pytorch.org/tutorials/beginner/text_sentiment_ngrams_tutorial.html https://github.com/lankuohsing/pytorch-study/tree/main/utils/text_pipline 1. 读取
最近在训练网络模型时，出现以下错误： /home/xw/anaconda3/envs/openmmlab/lib/python3.7/site-packages/torch/cuda/__init__.py:52: UserWarning: CUDA initialization: CUDA unknown error - this may be due to an incorrectly set up environment, e.g. changing env varia
分享一份 分类任务的 主函数文件，对于新人十分有帮助，对于老人也有一定的帮助 # !/usr/bin/env python # -*- coding:utf-8 -*- # @Time : 2022.3 # @Author : 绿色羽毛 # @Email : lvseyumao@foxmail.com # @Blog : https://blog.csdn.net/ViatorSun # @Note :
跑一个GAN DEMO , 运行时出错。 出错代码： RuntimeError: one of the variables needed for gradient computation has been modified by an inplace operation: [torch.FloatTensor [128, 1]], which is output 0 of TBackward, is at version 2; expected version 1 instea
padding操作是给图像外围加像素点。 为了实际说明操作过程，这里我们使用一张实际的图片来做一下处理。 这张图片是大小是(256,256)，使用pad来给它加上一个黑色的边框。具体代码如下： 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 import torch.nn,functional as F import
CNN学习第三天 由于很多知识都不了解，所以，我先用python写一写代码，了解一些CNN的内部原理。 我参考的博客是这篇：卷积神经网络的简单可视化 用的编译环境是：python 3.9.1，pycharm community 开始敲代码。。。 import cv2 import matplotlib.pyplot as plt 然后一天就过去了……
1.接受local_rank的参数（） 不能自己替换--local_rank的数值 如果有import导入dataloader，init的代码必须要在dataloader之前。 import argparse # 运行时，torch.distributed.lunch 会自动传入参数0，1，2来表示是第几个进程 parser = argparse.ArgumentParser() parser.add_argument('--
文章目录 方差的分类torch.var 方差的分类 这两者有显然的区别，为什么会有这个区别呢？ 区别有二，这两个区别互相联系，不可分割： 数据的多少。上面这个只有一部分样本，而下面这个是有完整数据，即总体，母体。目的。你是要算这部分数据的方差，还是要估计总体的方差。如果是前者，那
最近几天走了n多弯路 大概做一下总结 1.如果是n卡的话就nvidia-smi 看一下driver版本 根据driver版本再选择cuda版本 (学校的没有公用cuda 装了几次新版才发现这个问题 具体版本的下载地址百度/Google一下都能找到 因为没有sudo 所以要把路径都放到自己的文件夹里 也不要尝
2022.2.27科研记录 1.《pytorch深度学习入门》曾芃壹 ch3.深度学习基础 3.2线性回归 ①其他知识 Epoch（时期）：当一个完整的数据集通过了神经网络一次并且返回了一次，这个过程称为一次epoch。（也就是说，所有训练样本在神经网络中都 进行了一次正向传播和一次反向传播 ） 再通俗一点，一
Ubuntu跑算法心得记录 一、Ubuntu终端各种快捷命令1.1 终端美化1.2 信息传输1.2.1 与Windows互传信息 二、Pytorch使用2.1 Pytorch安装2.1.1 安装途径2.1.2 安装BUG2.1.3 安装环境查看技巧 2.2 Conda内嵌Pip安装2.3 Pytorch技巧2.3.1 技巧函数2.3.2 功能函数 三、其他各
GRU（Gated Recurrent Unit）也称门控循环单元结构 nn.GRU类初始化主要参数解释:nn.GRU类实例化对象主要参数解释: 代码示例：代码运行结果GRU的优势:GRU的缺点: nn.GRU类初始化主要参数解释: input_size: 输入张量x中特征维度的大小. hidden_size: 隐层张量h中特征
1. 转换方法： 1. tensor => ndarray : tensor.numpy() 2. ndarray => tensor : tensor = torch.from_numpy(ndarray)
自动差分引擎¶ torch.autograd是 PyTorch 的自动差分引擎，可为神经网络训练提供支持。 1. 背景¶ 神经网络（NN）是在某些输入数据上执行的嵌套函数的集合。 这些函数由参数（由权重和偏差组成）定义，这些参数在 PyTorch 中存储在张量中。 训练 NN 分为两个步骤：
GAN动漫人物头像生成 1.简介 搭建了一个简单的DCGAN网络生成动漫人物的头像，其中动漫人物头像数据集取自kaggle，网址如下 link 2.网络结构 数据集生成器判别器 2.1数据集 数据大小为64x64x3，样例如下 2.2生成器 由于生成器的原始输入是n维噪声，若想生成与数据集大小相同的图片
导语 听说铁汁萌想找入门级练手项目，那小编今天就给大家带来一个背景替换实战小项目。 刚入门学习深度学习的小伙伴，可以看一看~ 将 BackgroundMattingV2 项目稍微魔改了一下，让他在可以选择单一图片的基础上，可以把抠好的图片贴在自定义的背景图上，这样就可以让照片中的人物，出现在任
工具函数 dir函数，让我们直到工具箱，以及工具箱中的分隔区有什么东西 help函数，让我们直到每个工具是如何使用的，工具的使用方法 示例：在pycharm的console环境，输入 import torch dir(torch.cuda.is_available()) 即可查看该工具包 help(torch.cuda.is_available()) DataSet DataSet
问题： c = F.relu(policy_model.Q.c1(exp_list[i][k].unsqueeze(0)))error: *** RuntimeError: Expected all tensors to be on the same device, but found at least two devices, cuda:1 and cuda:2! (when checking argument for argument weight inmethod wrapper__cudnn_
讲解 对比学习论文中出现： # compute logits # Einstein sum is more intuitive # positive logits: Nx1 l_pos = torch.einsum('nc,nc->n', [q, k]).unsqueeze(-1) # negative logits: NxK l_neg = torch.einsum('nc,ck->nk', [q, self.queue.clone().detach(
einsum用于矩阵乘法 直接上例子吧 比如 'bhqd, bhkd -> bhqk' 虽然是4维，但是前两维是不变的，先不看，只看后2维，qd, kd -> qk 这是两个矩阵相乘，两个矩阵的shape分别为A=qxd, B=kxd, 得到的结果形状是C =qxk 根据矩阵乘法，我们知道(qxd) x (dxk)结果的形状为qxk， 也就是说上面相当
论文 FreeAnchor: Learning to Match Anchors for Visual Object Detection 官方代码 https://github.com/zhangxiaosong18/FreeAnchor 作者指出IoU-based label assignment对于acentric, slinder, crowded objects，其正负样本的分配可能效果不好。比如以下图
如果是卷积之后的层 一定要先化为一个维度 exp: x = x.view(x.size(),-1) ps: view函数的解释 把原先tensor中的数据按照行优先的顺序排成一个一维的数据（这里应该是因为要求地址是连续存储的），然后按照参数组合成其他维度的tensor。比如说是不管你原先的数据是[[[1,2,3],[4,5,6]]]
import torch from torch import nn from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split import numpy as np import matplotlib.pyplot as plt X = torch.tensor(load_iris().data, dtype=torch.float32) y = torch.tensor(lo
转载自我的个人网站 https://wzw21.cn/2022/02/20/hello-pytorch/ 在 PyTorch For Audio and Music Processing 入门代码的基础上添加了一些注释和新的内容 Download datasetCreate data loaderBuild modelTrainSave trained modelLoad modelPredict import torch from torch
