qq_39540454的博客

Classifying names with a char level RNN

PreliminaryTensor用法tensor初始化及属性rand_tensor = torch.rand(2,3)ones_tensor = torch.ones(2,3)zeros_tensor = torch.zeros(2,3)print(tensor.shape, tensor.dtype, tensor.device)p.s.tensor默认是创建在CPU上的，需要显式地移动到GPU。# We move our tensor to the GPU if availabl

QUICKSTART

torch.cattorch.topk()1.函数形式：torch.topk(input, k, dim=None, largest=True, sorted=True, *, out=None) -> (Tensor, LongTensor)返回给定tensor的前k大元素和其下标2.参数：3.例子：>>> x = torch.arange(1., 6.)>>> xtensor([ 1., 2., 3., 4., 5.])>&g

首先来看official docs对nn.Embedding的定义：是一个lookup table，存储了固定大小的dictionary（的word embeddings）。输入是indices，来获取指定indices的word embedding向量。官方文档的示例：>>> # an Embedding module containing 10 tensors of size 3>>> embedding = nn.Embedding(10, 3)&gt

照例先贴官方文档~以下是实例化一个nn.LSTM单元时会用到的参数，例如lstm = nn.LSTM(10, 20, 2)就实例化了一个input_size=10, hidden_size=20，num_layer=2的LSTM网络，也就是输入的维度为10，隐层的神经元数目为20，总共有2个隐层。实例化好的LSTM如何使用呢？以下是输入，h0和c0都是可选的，重点是input，是一个表示输入序列特征的tensor，维度是（seq_len, batch, input_size），比如接上例，x = to

先贴官方文档nn.Linear是完成从in_features到out_features的线性变换。实例化完成后input的大小可以有多维，但最后一维的大小必须和in_features一致。>>> m = nn.Linear(20, 30)>>> input = torch.randn(128, 20)>>> output = m(input)>>> print(output.size())torch.Size([128,

torch.__version__ # 1.6.0torch.cuda.is_available() # Falsecudatoolkit:‘10.2.89’利用anaconda查看虚拟环境：conda env list关于python虚拟环境的解读时常看到有人说conda虚拟环境，这个说法其实不对，那叫python的虚拟环境。python虚拟环境可以通过virtualenv模块或者pipenv模块来创建和管理，也可以通过conda来管理。** 每个虚拟环境下都有一套python和其他需要

Pytorch安装（Anaconda配置虚拟环境）最近在学习Pytorch，一开始配好了环境，今天又突然不能用了，只好重配。之前跟着一本讲Keras和tf的书在Anaconda下配置了tensorflow的虚拟环境，这次希望能建立单独的Pytorch虚拟环境。由于我的anaconda prompt和jupyter都是tensorflow虚拟环境的（如下图，这个还不清楚是怎么回事），不知道能否用...