Deep-Learning-with-PyTorch - 專題

投稿

Deep-Learning-with-PyTorch

收錄了43篇文章 · 2人關(guān)注

Deep-Learning-with-PyTorch-3.8.3 高維上轉(zhuǎn)置
3.8.3 高維上轉(zhuǎn)置在PyTorch中進(jìn)行轉(zhuǎn)置不僅限于矩陣彼宠。我們可以通過指定應(yīng)該發(fā)生轉(zhuǎn)置（翻轉(zhuǎn)形狀和步幅）的兩個(gè)維度來轉(zhuǎn)置多維數(shù)組：將其...

0.1 追求科技的足球 0 1
Deep-Learning-with-PyTorch-3.8.2 轉(zhuǎn)置而不復(fù)制
3.8.2 轉(zhuǎn)置而不復(fù)制讓我們現(xiàn)在嘗試轉(zhuǎn)置。讓我們看一下點(diǎn)張量辕翰，將其在行中具有單個(gè)點(diǎn)，在列中具有X和Y坐標(biāo)，然后將其旋轉(zhuǎn)以使單個(gè)點(diǎn)在列中留晚。 ...

0.2 追求科技的足球 0 1

Deep-Learning-with-PyTorch-3.8.1 其他張量存儲的視圖
3.8.1 其他張量存儲的視圖我們可以通過提供相應(yīng)的索引來獲得張量中的第二個(gè)點(diǎn)：結(jié)果張量在存儲中的偏移量為2（因?yàn)槲覀冃枰^第一個(gè)點(diǎn)，該點(diǎn)...

0.2 追求科技的足球 0 1
Deep-Learning-with-PyTorch-3.8 張量元數(shù)據(jù)：大小告嘲，偏移量和步幅
3.8 張量元數(shù)據(jù)：大小错维，偏移量和步幅為了索引存儲，張量依賴于幾條信息以及它們的存儲状蜗，明確地定義它們：大小需五，偏移量和步幅。這些相互作用的方式...

0.2 追求科技的足球 0 1
Deep-Learning-with-PyTorch-3.7.2 修改存儲的值：就地操作
3.7.2 修改存儲的值：就地操作除了上一節(jié)中介紹的對張量的操作以外轧坎，僅作為Tensor對象的方法存在的操作數(shù)量很少宏邮。可以從名稱的尾部下劃線...

追求科技的足球 0 0
Deep-Learning-with-PyTorch-3.7.1 索引到存儲
3.7.1 索引到存儲讓我們看看在2D點(diǎn)中實(shí)際上如何建立存儲索引。使用.storage屬性可以訪問給定張量的存儲：即使張量報(bào)告自己具有三行...

0.1 追求科技的足球 0 1
Deep-Learning-with-PyTorch-3.7 張量：存儲的風(fēng)景
3.7 張量：存儲的風(fēng)景現(xiàn)在是時(shí)候讓我們更仔細(xì)地了解引擎蓋下的實(shí)現(xiàn)了。張量中的值分配在由torch.Storage實(shí)例管理的連續(xù)內(nèi)存中。存...

0.2 追求科技的足球 0 1

Deep-Learning-with-PyTorch-3.6 張量API
3.6 張量API 至此黔姜，我們知道了什么是PyTorch張量以及它們是如何在幕后工作的秉宿。在總結(jié)之前，值得一看的是PyTorch提供的張量操作因妙。 ...

0.1 追求科技的足球 0 1
Deep-Learning-with-PyTorch-3.5.2 適合各種場合的dtype
3.5.2 適合各種場合的dtype 正如我們將在以后的章節(jié)中看到的那樣，神經(jīng)網(wǎng)絡(luò)中發(fā)生的計(jì)算通常以32位浮點(diǎn)精度執(zhí)行。更高的精度（例如64位...

0.1 追求科技的足球 0 1
Deep-Learning-with-PyTorch-3.5.3 管理張量的dtype屬性
3.5.3 管理張量的dtype屬性為了分配正確的數(shù)字類型的張量郎汪，我們可以指定適當(dāng)?shù)膁type作為構(gòu)造函數(shù)的參數(shù)。例如：我們可以通過訪問相...

0.2 追求科技的足球 0 1