pytorch标签_开源鸿蒙跨平台开发者社区

pytorch

Vision Transformer原理及代码学习【新芽第四周】

对于RNN，通过前一时间步的隐藏状态和历次输入的共同作用来得到输出，对于简单的文本序列比较友好，由于参数量少，其推理速度快，但是面对长文本序列时，如针对大篇幅的文章摘要，开头关键词的重要性会随着文章段落的增长而逐渐被稀释。其实简单来讲，有点类似于分组卷积，本质就是将参数矩阵给拆分成head数量，分别组成不同组的V、K和Q来各自做self-attention，最后合并后和一个可训练的参数。，需要注意

 21020007092
2025-08-10 22:16:26

 1091

 25

#transformer #学习 #深度学习 +2
PyTorch使用教程(5)-优化器

SGD是最基本的优化算法之一。它每次从训练集中随机选择一个样本来计算梯度，并更新参数。SGD的优点是计算速度快，但缺点是可能会因为样本的随机性导致梯度更新不稳定，收敛速度慢，甚至可能陷入局部最优。参数lr（learningrate）：学习率，控制参数更新的步长。momentum：动量，用于加速SGD在相关方向上的收敛，同时抑制震荡。dampening：动量的衰减系数，通常和momentum一起使用

 深图智能
2025-01-17 22:27:41

 1250

 31

#深度学习 #pytorch #人工智能
第R8周：RNN实现阿尔茨海默病诊断（pytorch）

训练循环size=len(dataloader.dataset) # 训练集的大小num_batches=len(dataloader) # 批次数目，（size/batch_size，向上取整）train_loss,train_acc=0,0 # 初始化训练损失和正确率for x,y in dataloader: # 获取图片及其标签# 计算预测误差pred=model(x) # 网络输出。

weixin_43414521
2025-04-07 14:14:07

 1316

 29

#rnn #pytorch #人工智能
P12周：ResnetV2

定义残差块else:else:return x])return xif preact:else:else:return x。

?Agony
2025-02-21 19:53:54

 1354

 12

#pytorch #人工智能
Pytorch Transformer

Transformer 模型是一种基于自注意力机制（Self-Attention）的深度学习架构，彻底革新了自然语言处理（NLP）、计算机视觉（CV）等序列数据处理领域。其核心设计摒弃了传统循环神经网络（RNN）的顺序依赖性，实现了高效并行计算与长距离依赖捕捉能力。

江太翁
2025-06-30 01:01:53

 1163

 28

#pytorch #人工智能 #python
自然语言处理中的文本特征工程与循环神经网络模型解析

本文解析 NLP 中文本特征处理与循环神经网络（RNN）模型。文本特征部分，N-Gram 通过组合连续字词生成上下文特征（如 bi-gram），代码演示 n 元组提取；利用 Keras 工具实现文本长度规范，通过截断或补零统一输入维度。模型层面，传统 RNN 捕捉序列依赖，LSTM 以门控机制解决梯度消失，Bi-LSTM 双向计算增强语义捕捉。结合 PyTorch 代码，阐释 RNN 层参数（输入

 taisu001
2025-06-08 01:34:06

 591

 5

#深度学习 #人工智能 #pytorch +2
解析transformer——4: Add&Norm，残差连接与layernorm

本文介绍了Transformer中的Add&Norm模块，详细解析了归一化、LayerNorm与BatchNorm的区别以及残差连接的作用。归一化通过缩放数据解决梯度下降问题；LayerNorm按样本计算均值和方差，适合序列模型；残差连接则用于构建深层网络避免梯度消失。文章还提供了代码实现，展示如何在PyTorch中应用这些技术。

zdx3456789
2025-10-19 13:16:51

 1218

 28

#transformer #深度学习 #人工智能 +2
第N11周：seq2seq翻译实战-Pytorch复现

5.2 注意力解码器（AttnDecoderRNN）7.2 训练迭代主循环。

m0_46260522
2025-12-26 21:59:01

 1063

 9

#pytorch #人工智能 #python
Python—Pytorch学习-RNN（一）

有好几个月没搞神经网络代码了，期间也就是回顾了两边之前的文字。不料，对nn，cnn的理解反而更深入了-_-！。

柚阴
2025-05-15 07:58:42

 39

#python #pytorch #学习 +2
图像识别技术与应用

2.集成学习(ensemble learning)通过构建并结合多个学习器来完成学习任务等。其核心思想是“多样性与投票”，即通过构建多个基学习器，并让它们对输入数据进行独立预测，然后通过投票等机制将各基学习器的预测结果结合起来，产生最终预测结果。集成学习能降低模型的泛化误差，提高准确度和鲁棒性，广泛应用于图像识别、文本分类等领域。1.对于一个复杂任务来说，将多个专家的判断进行适当的综合所得出的判断

 罗婕斯特
2025-03-05 16:23:34

 171

 1

#pytorch #算法 #大数据
2025-1-1-sklearn学习（29）模型选择与评估-模型持久化心似双丝网，中有千千结。

sklearn学习（29）模型选择与评估-模型持久化心似双丝网，中有千千结。

汤姆和佩琦
2025-01-01 15:32:04

 1039

 21

#sklearn #学习 #机器学习 +2
蛋白质折叠的几何学习：等变注意力机制全解

对于任意群元素g∈G和输入输出空间VinVoutfρingxρoutgfx其中ρX∈Rn×3。

燃灯工作室
2025-04-28 11:36:47

 1165

 11

#学习 #深度学习 #pytorch
Windows 10下安装pytorch和TensorFlow找不到文件

在Windows 10下安装pytorch和TensorFlow，提示Could not install packages due to an OSError: [Errno 2]，但是文件夹下有该文件。解决方式：修改注册表LongPathsEnabled数值为1，后可正常安装。

lala_quantum
2026-01-12 11:27:20

 86

 2

#windows #pytorch #tensorflow
Pytorch数据处理工具箱

如果要对数据集进行多个操作，可通过Compose将这些操作像管道一样拼接起来，类似于nn.Sequential。transforms提供了对PIL Image对象和Tensor对象的常用操作。ImageFolder可以读取不同目录下的图像数据。_getitem_一次只能获取一个样本。2.DataLoader：可以批量处理。

[太阳]88
2025-02-26 17:28:21

 255

 3

#pytorch #人工智能 #python
PyTorch实战：从零搭建Transformer（附完整代码）

摘要 Transformer作为深度学习领域的里程碑模型，基于自注意力机制彻底改变了自然语言处理任务，成为ChatGPT等主流大模型的核心基础。其架构分为Encoder和Decoder两部分，采用并行计算替代传统RNN的串行结构，显著提升训练效率。输入部分通过词嵌入将离散文本映射为连续向量，并加入位置编码保留序列信息。PyTorch框架为Transformer实现提供了高效支持。模型通过多层Enc

AI劳模
2025-10-18 11:44:01

 1299

 9

#pytorch #transformer #人工智能 +2
learn_pytorch03

3：用模型取拟合训练数据，并在验证计算模型上表现。2：选择模型，设定损失函数和优化函数。1：数据预处理，划分训练集和测试集。深度学习分为如下几个步骤。接着学习了一些数据读入。

goodyang1
2025-02-14 22:26:00

 313

 3

#pytorch #人工智能 #python
PyTorch 循环神经网络（RNN）

本文介绍了如何使用PyTorch实现循环神经网络（RNN），重点涵盖了核心概念和具体实现步骤。RNN作为处理序列数据的强大模型，在NLP和时间序列分析中应用广泛。文章详细说明了RNN层的类型、输入格式和隐藏状态等关键组件，并提供了完整的代码示例，包括数据准备、模型定义、训练和评估流程。通过一个简单的文本分类任务示例，演示了从构建自定义数据集到实现RNN模型的全过程，最后给出了整合后的完整代码，为读

 m0_57545130
2025-10-18 16:07:13

 821

 10

#pytorch #rnn #人工智能
[超参数优化]论文精度：Ultra-Lightweight yet Efficient Hyperparameter Optimization in Deep Reinforcement Learn

论文题目：Ultra-Lightweight yet Efficient Hyperparameter Optimization in Deep Reinforcement Learning作者：Mingqi Yuan1, Bo Li1, Xin Jin2,3,* Wenjun Zeng2,3本文介绍了一种名为“ULTHO”的框架，用于在深度强化学习中快速进行超参数优化。传统的超参数优化方法无法满

 noboxihong
2025-03-20 22:14:52

 160

#深度学习 #人工智能 #计算机视觉 +4
深度学习与计算机视觉-语义分割-UNet手编重现与项目实战

The project reconstructs UNet model(proposed in 2015) by hand, training and evaluating the model on ISIC-2017 challenge dataset in order to: (1)Well master the architecture and principle of UNet and b

水龙吟啸
2025-07-14 13:45:46

 1112

 28

#计算机视觉 #人工智能 #深度学习 +2
PyTorch可视化双雄：Matplotlib与Seaborn深度揭秘

本文介绍了PyTorch深度学习框架中Matplotlib和Seaborn两大可视化工具的应用。Matplotlib作为基础绘图库，能实现折线图、散点图、柱状图等基础图表，并支持高级定制；Seaborn基于Matplotlib构建，专注于统计可视化，提供更美观的默认样式和丰富的统计图表。文章详细讲解了二者的安装、核心组件和绘图方法，并展示了两个实际案例：PyTorch模型训练过程可视化（损失函数和

 激光控制方青
2025-05-24 16:39:23

 1062

 11

#pytorch #matplotlib #人工智能
RuntimeError: CUDA error: device-side assert triggeredCUDA kernel errors might be asynchronously re

如果还有问题，可以贴上你的代码和错误日志，我可以帮你进一步分析！，让错误出现在真正的代码行，而不是异步 API 调用后才触发。由于 CUDA 错误是异步的，可能不会立即报错，建议使用。，导致 GPU 计算出错。从 PyTorch 1.9+ 开始，你可以启用。然后运行代码，它可能会提供更具体的断言信息。你的 PyTorch 代码触发了。

自由码客
2025-03-25 09:44:32

 4456

 16

#pytorch #深度学习 #人工智能
毕设设计|计算机毕业设计|大数据深度学习｜基于pytorch的花卉识别系统

seaborn 是基于 matplotlib 的数据可视化库，它提供了一些高层次的接口，使绘图变得更加简单和美观。seaborn 的设计目标是帮助用户轻松创建有吸引力且信息丰富的统计图形，适用于探索性数据分析和数据可视化展示。在本花卉识别系统中，seaborn 主要用于对数据集的分析和可视化，帮助理解数据的分布和特征，从而为模型的训练和优化提供支持。seaborn 中常用的函数和参数用途广泛，以下

 IT实战课堂小元酱
2025-11-05 17:30:00

 1163

 12

#pytorch #人工智能 #python
pytorch常用函数

nn.Conv2d(in_channels, out_channels, kernel_size) # 卷积层。model.load_state_dict(torch.load(path)) # 加载权重。nn.Embedding(vocab_size, embedding_dim) # 词嵌入。torch.save(model.state_dict(), path) # 保存模型权重。nn.Li

辞霄_
2025-08-07 10:20:56

 526

 3

#pytorch #python #深度学习 +2
什么是门控循环单元？

本文详细介绍了门控循环单元GRU的基本概念及核心算法，并给出了python实现的示例。

CM莫问
2025-02-01 10:30:50

 2302

 9

#gru #深度学习 #人工智能 +4
第三章，回归实战

csv_data = np.array(ori_data[1:])[:, 1:].astype(float)# 跳过标题行和第一列（可能是索引），转为浮点数numpy数组。test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)# 测试集不打乱。return x.squeeze(1)# 去掉维度1，形状

 PiPiSleeping
2026-03-09 15:42:28

 289

 6

#pytorch #人工智能 #python
67、RNN的AI歌词生成案例（构建数据集）

摘要：本文介绍了RNN在AI歌词生成任务中的数据集构建方法。关键点包括：1）每次处理5个连续数据点，但仅使用到倒数第二个词作为输入；2）避免使用最后一个词，因其无法进行后续预测；3）创建专门的数据集对象；4）设计简化的API接口。这种方法既确保了模型训练的有效性，又提高了数据处理的便捷性，为歌词生成任务提供了实用的数据准备方案。

Tellme3
2026-01-11 21:26:44

 284

 2

#深度学习 #神经网络 #python +2
【DeepLearning】1-4线性神经网络——softmax回归的从零开始实现

softmaxXijexpXij∑kexpXiksoftmaxXijk∑expXikexpXij注：softmax操作由三个步骤组成，这里输入的参数是未规范化的预测ojo_joj。1、对每一项求指数幂。2、对每一行求和，得到每个样本的规范化常数，也就是partition。3、将每一行除以规范化常数，确保它们加和为1。我们可以做一个验证来直观地感受一下。下面的代码定义了如何通过网络映射对

 冷酷的佛手柠檬红茶
2025-03-13 09:02:53

 1347

 11

#神经网络 #回归 #人工智能 +3
【pytorch(cuda)】基于DQN算法的无人机三维城市空间航线规划（Python代码实现）

DQN是一种结合了深度学习和Q-learning的强化学习算法。它通过神经网络来近似Q函数（状态-动作值函数），从而能够在高维状态空间中有效地进行决策。DQN算法的核心思想是利用神经网络来估计每个动作的价值，并根据价值选择最优动作。状态：无人机的当前位置、速度、姿态以及周围环境的感知信息（如障碍物位置、禁飞区等）共同构成无人机的当前状态。动作：无人机可以采取的动作包括改变飞行方向、调整飞行高度、加

 yyds_2201
2025-03-18 12:51:50

 575

 28

#python #pytorch #算法
第P1周：Pytorch实现mnist手写数字识别

**🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/rnFa-IeY93EpjVu0yzzjkw) 中的学习记录博客**- **🍖 原作者：[K同学啊](https://mtyjkh.blog.csdn.net/)**

2501_91028242
2025-03-07 22:12:21

 243

 5

#pytorch #人工智能 #python
从0开始学AI：编码器-解码器，原来是这回事！

本文介绍了Transformer编码器模块的实现细节，主要包括四个核心子模块：多头自注意力模块(MultiHeadAttention)：通过线性变换生成Q/K/V矩阵，拆分为多个头计算注意力分数，最后合并输出并应用残差连接和dropout。前馈神经网络(MLP)：包含两个线性变换层和ReLU激活函数，用于特征非线性变换。层归一化(LayerNorm)：对每个样本的特征维度进行归一化处理。残

 AI-Ming
2026-03-24 20:13:29

 258

 6

#人工智能 #pytorch #深度学习
Gemini永久会员一个简单的 **PyTorch 演示**，展示如何构建一个基础的神经网络模型（以分类任务为例）

如果需要更复杂的示例（如CNN、RNN或自定义数据集），可以进一步说明需求！

稚辉君.MCA.P9.JAVA
2025-12-11 08:05:17

 246

 3

#pytorch #神经网络 #人工智能 +2
PINN与KAN终于结合起来了！发SCI一区Top超简单的！

KAN（Kolmogorov-Arnold Network）与PINN（物理信息神经网络）的结合成为近期研究热点。多篇论文提出创新方法：MeshKINN实现自监督网格生成，KAN-ODEs提升动态系统建模能力，HPKM-PINN混合架构优化PDE求解性能，基于JAX的自适应PIKANs提升训练效率。这些方法共同特点是融合物理约束与神经网络优势，在精度、可解释性和数据效率方面取得突破，特别适用于需要

 六月星辰梓
2025-06-09 16:44:41

 434

 3

#人工智能 #机器学习 #pytorch +4
【锂电池SOC估计】【PyTorch】基于Basisformer时间序列锂离子电池SOC预测研究（python代码实现）

基于Basisformer的时间序列预测为锂电池SOC估计提供了新的技术路径。其通过自监督基函数学习、双向注意力机制和PyTorch高效实现，显著提升了预测精度与实时性。未来研究可围绕模型轻量化、多源数据融合及边缘部署展开，推动该技术在新能源汽车、储能系统等领域的广泛应用。📚2 运行结果部分代码："""归一化映射到任意区间:param data: 数据:param MIN: 目标数据最小值:pa

F_Matlab
2025-10-17 00:48:53

 345

 5

#python #pytorch #人工智能 +1
【PyTorch】torch.nn.utils.rnn.pad_packed_sequence() 函数：打包后的变长序列还原为填充形式

torch.nn.utils.rnn.pad_packed_sequence() 是 PyTorch 中用于将打包后的变长序列（PackedSequence）还原为填充形式的函数。它通常配合 pack_padded_sequence() 使用，用于从 RNN（如 LSTM、GRU）的输出中恢复原始 shape，方便进一步处理（如分类、损失计算等）。pad_packed_sequence() 是

 正义的彬彬侠
2025-03-23 12:47:02

 414

 2

#lstm #rnn #pytorch +2
关于batchnorm和layernorm的简单理解方法

batchnorm的工作方式就是，指定C维度，batchnorm会把和该维度所有正交的平面全部拉过来当成一坨，计算norm。具体而言，在以上例子中，0，1，4，5，8，9是一组，计算平均值标准差后norm；注意这里的2代表了（3，2，2）中的中间那个维度，即C维度。在使用layernorm的时候，直接输入[3，2]，意思是在所指定的维度【内】计算平均值和标准差。batchnorm指定维度C，在所有

 Yaong_
2025-06-18 13:18:43

 212

 2

#python #pytorch #算法 +3
【锂电池SOC估计】【PyTorch】基于Basisformer时间序列锂离子电池SOC预测研究（python代码实现）

基于Basisformer的时间序列预测为锂电池SOC估计提供了新的技术路径。其通过自监督基函数学习、双向注意力机制和PyTorch高效实现，显著提升了预测精度与实时性。未来研究可围绕模型轻量化、多源数据融合及边缘部署展开，推动该技术在新能源汽车、储能系统等领域的广泛应用。📚2 运行结果部分代码："""归一化映射到任意区间:param data: 数据:param MIN: 目标数据最小值:pa

Ps.729
2025-10-17 01:36:45

 453

 3

#python #pytorch #人工智能 +1
【动手学深度学习PyTorch】神经网络的延后初始化（Deferred Initialization）

摘要：延后初始化（Deferred Initialization）允许神经网络层在创建时不立即分配参数，而是在第一次前向传播时根据输入数据的形状动态初始化。PyTorch通过LazyLinear、LazyConv2d等模块实现这一机制，适用于输入维度未知或动态变化的场景（如RNN/Transformers）。其优势在于提升灵活性、简化代码，但需注意参数在首次forward前处于未初始化状态。与普

 飞Link
2025-10-15 09:17:45

 462

 4

#深度学习 #pytorch #神经网络
【python | pytorch | scipy】scipy scikit-learn库相互依赖?

Conda在卸载scipy时会同时移除依赖它的scikit-learn，因为后者无法独立运行。卸载前会明确提示将被移除的包列表（包括scikit-learn），不会静默操作。这种透明机制确保用户了解完整的依赖关系变更，避免意外删除关键组件。

拾贰_CTF
2025-12-20 22:05:41

 231

 2

#python #pytorch #scipy
联邦学习图像分类实战：基于FATE与PyTorch的隐私保护机器学习系统构建指南

nn.ReLU(),nn.ReLU(),nn.ReLU(),return x本文系统阐述了基于FATE和PyTorch构建联邦学习图像分类平台的全流程，通过横向联邦架构实现了数据不动模型动的安全协作模式。实验表明，在CIFAR-10数据集上，联邦学习方案在保持87%以上准确率的同时，可将原始数据泄露风险降低90%。未来可结合区块链技术实现更完善的审计追踪，或探索神经架构搜索（NAS）在联邦场景的应

 魔法小药丸
2025-05-26 06:56:04

 68

#机器学习 #分类 #pytorch +2
Pytorch学习笔记（六）Learn the Basics - Automatic Differentiation

以最简单的单层神经网络，输入 x、参数 w 和 b 以及一些损失函数。它可以按以下方式在 PyTorch 中定义：在这个网络中，w 和 b 是待优化的参数，需要能够计算损失函数相对于这些变量的梯度，通过设置Tensor的pytorch中构建的计算图函数实际上是Function类的对象。该对象知道如何计算前向传播，以及后向传播步骤中的导数。对反向传播函数的引用存储在Tensor的grad_fn属性中

 nenchoumi3119
2025-03-26 17:24:13

 604

 22

#pytorch #学习
使用 PyTorch 搭建 BP 神经网络进行客户流失预测

我们定义一个继承自nn.Module的BPNet类来构建 BP 神经网络。return out本文通过使用 PyTorch 搭建了一个简单的 BP 神经网络来进行客户流失预测，从数据准备、模型构建、训练优化到最终评估，完整地展示了整个流程。在实际应用中，可以进一步尝试调整模型结构、超参数（如隐藏层神经元数量、学习率、训练轮数等），或者对数据进行更精细的预处理（如特征工程、归一化等），来提升模型的性

 #guiyin11
2025-04-25 20:57:46

 3903

 54

#pytorch #神经网络 #人工智能
Python 深度学习框架 PyTorch 入门：构建简单神经网络

在 PyTorch 中，构建神经网络需要继承torch.nn.Module类，这是 PyTorch 中所有神经网络模块的基类。通过继承这个类并实现__init__和forward方法，我们可以定义自己的网络结构。创建一个简单的全连接神经网络return out在上述代码中，我们定义了一个名为SimpleNet的类，它继承自nn.Module。__init__方法：在__init__方法中，我们定义

 算法探索者
2025-04-28 14:45:52

 1280

 23

#python #深度学习 #pytorch +1