前言 自从从深度学习框架caffe转到Pytorch之后，感觉Pytorch的优点妙不可言，各种设计简洁，方便研究网络结构修改，容易上手，比TensorFlow的臃肿好多了。对于深度学习的初学者，Pytorch值得推荐。今天主要主要谈谈Pytorch是如

Embedding 词嵌入在 pytorch 中非常简单，只需要调用 torch nn Embedding(m, n) 就可以了，m 表示单词的总数目，n 表示词嵌入的维度，其实词嵌入就相当于是一个大矩阵，矩阵的每一行表示一个单词。 emdedding初始化 默认是随

º¯ÊýµÄÔöÒæÖµ torch nn init calculate_gain(nonlinearity, param=None) ÌṩÁ˶ԷÇÏßÐÔº¯ÊýÔöÒæÖµµÄ¼ÆËã¡£ ÔöÒæÖµgainÊÇÒ»¸ö±ÈÀýÖµ£¬À´µ

本文源码基于版本1 0，交互界面基于0 4 1 import torch 按照指定轴上的坐标进行过滤 index_select() 沿着某tensor的一个轴dim筛选若干个坐标 >>> x = torch randn(3, 4) 目标矩阵>>> xtensor([[ 0 1427, 0 0231, -

1 Pytorch风格的索引 根据Tensor的shape，从前往后索引，依次在每个维度上做索引。 示例代码： import torch a = torch rand(4, 3, 28, 28)print(a[0] shape) 取到第一个维度print(a[0, 0] shape) 取到二个维度print

在PyTorch中可以对图像和Tensor进行填充，如常量值填充，镜像填充和复制填充等。在图像预处理阶段设置图像边界填充的方式如下： import vision torchvision transforms as transforms img_to_pad = transforms Compose([

GoogLeNet也叫InceptionNet，在2014年被提出，如今已到V4版本。GoogleNet比VGGNet具有更深的网络结构，一共有22层，但是参数比AlexNet要少12倍，但是计算量是AlexNet的4倍，原因就是它采用很有效的Inception模块，并且没有全连接

查看源码 Linear 的初始化部分： class Linear(Module): __constants__ = [bias] def __init__(self, in_features, out_features, bias=True): super(Linear, self) __init__() self in_features = in_fea

条件选取：torch where(condition, x, y) → Tensor 返回从 x 或 y 中选择元素的张量，取决于 condition 操作定义： 举个例子： >>> import torch>>> c = randn(2, 3)>>> ctensor([[ 0 0309, -1 5993, 0 1986], [-0

拼接张量：torch cat() 、torch stack() torch cat(inputs, dimension=0) → Tensor 在给定维度上对输入的张量序列 seq 进行连接操作 举个例子： >>> import torch>>> x = torch randn(2, 3)>>> xtensor([[-0 1997,