深度学习基础与实践 课件 单元三 PyTorch深度学习框架.pptx

深度学习基础与实践 课件 单元三 PyTorch深度学习框架.pptx

  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多

深度学习框架概述;深度学习框架;Theano框架;Tensorflow框架;Keras框架;Caffe框架;MXNet框架;CNTK框架;飞桨(PaddlePaddle)集深度学习核心训练和推理框架、基础模型库、端到端开发套件、丰富的工具组件于一体,是中国首个自主研发、功能丰富、开源开放的产业级深度学习平台。;PyTorch框架;PyTorch官网地址/;PyTorch支持动态图的创建,在深度学习平台定义模型主要有两种方法:

静态图模型的缺陷是在处理数据前必须定义好完整的一套模型,才能够处理所有的边际情况。

动态模型能够自由地定义模型,作为Numpy的替代者,使用强大的GPU,支持Tensor库,极大地加速了计算。;PyTorch提供的功能;PyTorch的优势;PyTorch官网地址/;基础环境:

一台PC设备

一张高性能NVIDIA显卡(可选)

Ubuntu系统;搭建环节

1.Anaconda环境搭建

2.PyTorch环境搭建;Anaconda环境搭建;查看操作系统是否安装了Anaonda3;查看操作系统是否安装了Anaonda3;人工智能和机器学习的关系;时间:1956年

地点:达特茅斯学院

会议:用机器来模仿人类学习以及其他方面的智能;人工智能(Artificialintelligence)是什么?;;计算机科学的一个分支,

利用计算机模拟人类智力活动。;模仿人或其他生命体思考或行为的技术;机器学习(MachineLearning)是什么?;在没有明确编程下,

让计算机具有学习能力的研究领域。;1997年,IBM开发的深蓝(DeepBlue)象棋程序击败了世界冠军加里?卡斯帕罗夫(GarryKasparov);机器学习可以解决什么问题?;机器学习不能解决什么问题?;监督学习的流程框架;分类案例:

身高1.65m,体重100kg的男人肥胖吗?

根据肿瘤的体积、患者的年龄来判断良性或恶性?

回归案例:

如何预测上海浦东的房价?

未来的股票市场走向?;无监督学习

即使没有正确答案样本也可以区分

1.目标不明确

2.不需要带标签的数据

3.效果很难评估;借助无监督学习细分用户;场景:

1.机器有一个明确的小鸟角色——代理

2.需要控制小鸟飞的更远——目标

3.整个游戏过程中需要躲避各种水管——环境

4.躲避水管的方法是让小鸟用力飞一下——行动

5.飞的越远,就会获得越多的积分——奖励;模式识别=机器学习;数据挖掘=机器学习+数??库;统计学习近似等于机器学习;计算机视觉=图像处理+机器学习;语音识别=语音处理+机器学习;模仿人或其他生命体思考或行为的技术;PyTorch基本使用;Tensor张量的概念;Tensor实际上就是一个多维数组(multidimensionalarray);数据类型;创建张量的方法

torch.tensor():用现有数据创建张量

如torch.tensor([[1.,-1.],[1.,-1.]])

torch.*:创建具有特定大小的张量

如torch.randn()#满足标准正态分布的一组随机数据

torch.*_like:创建与另一个张量具有相同大小和相似类型的张量

如torch.rand_like()

tensor.new_*:创建与其他张量具有相似类型但大小不同的张量;查看张量的属性

查看Tensor类型

tensor1=torch.randn(2,3) #形状为(2,3)一组从标准正态分布中随机抽取的数据

tensor1.dtype#torch.float32

查看Tensor维度

tensor1.ndim#查看维度

查看Tensor形状或尺寸

tensor1.shape#查看形状或尺寸

查看Tensor是否存储在GPU上

tensor1.is_cuda

查看Tensor的梯度

tensor1.grad;Tensor在CPU、GPU、numpy之间的转换

CPUtensor转GPUtensor

cpu_tensor.cuda()

GPUtensor转CPUtensor

gpu_tensor.cpu()

numpy转为CPUtensor

torch.from_numpy(numpy_test)

CPUtensor转为numpy数据

cpu_tensor.numpy()

注意:

GPUtensor不能直接转为numpy数组,必须先转到CPUtensor。

如果tensor是标量的话,可以直接使用item()函数(只能是标量)将值取出来:loss_output.item();一个张量tensor可以从Python的list或序列构建;一个空张量tensor可以通过规定其大小来构建;用Python的索引和切片来获取和修改一个张量tensor

文档评论(0)

balala11 + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档