参考(推荐): https://mathpretty.com/12065.html

具体示例如下,注意观察维度的变化 #coding=utf-8 import torch """改变tensor的形状的四种不同变化形式""" def change_tensorSize(): x=torch.randn(2,4,3) s=x.transpose(1,2) y=x.view(2,3,4) z=x.permute(0,2,1) print(x) print(y) print(z) #expand_as #tensor.t()只能转化

增加一个维度 out.unsqueeze(-1) 降低一个维度 out.squeeze(dim=1)

torch.stack() 和 torch.cat() 都可以按照指定的维度进行拼接,但是两者也有区别,torch.satck() 是增加新的维度进行堆叠,即其维度拼接后会增加一个维度:而torch.cat() 是在原维度上进行堆叠,即其维度拼接后的维度个数和原来一致.具体说明如下: torch.stack(input,dim) input: 待拼接的张量序列组(list or tuple),拼接的tensor的维度必须要相等,即tensor1.shape = tensor2.shape dim

target.permute([0, 3, 1, 2]) 一定要使用permute以及中括号 一些在我这里没起到作用的网上的例子: 1. https://blog.csdn.net/zouxiaolv/article/details/80936725 preds = to_numpy(preds)#preds是[2985x16x2] preds = preds.transpose(2, 1, 0)#preds[2x16x2985] 2. https://www.jb51.net/article/

class torch.nn.LSTM(*args, **kwargs) 参数列表 input_size:x的特征维度 hidden_size:隐藏层的特征维度 num_layers:lstm隐层的层数,默认为1 bias:False则bih=0和bhh=0. 默认为True batch_first:True则输入输出的数据格式为 (batch, seq, feature) dropout:除最后一层,每一层的输出都进行dropout,默认为: 0 bidirectional:True则为双向l

多头注意力可以用以下一张图描述: 1.使用pytorch自带的库的实现 torch.nn.MultiheadAttention(embed_dim, num_heads, dropout=0.0, bias=True, add_bias_kv=False, add_zero_attn=False, kdim=None, vdim=None) 参数说明如下: embed_dim:最终输出的 K.Q.V 矩阵的维度,这个维度需要和词向量的维度一样 num_heads:设置多头注意力的数量.如果设置为

数据预处理是指因为算法或者分析需要,对经过数据质量检查后的数据进行转换.衍生.规约等操作的过程.整个数据预处理工作主要包括五个方面内容:简单函数变换.标准化.衍生虚拟变量.离散化.降维.本文将作展开介绍,并提供基于Python的代码实现. 1. 简单函数变换 简单函数变换是指对原始数据直接使用某些数学函数进行转换,主要用于将不具有正态分布的数据变换成具有正态分布,同时也可以用于对数据进行压缩,比如\(10^8和10^9\)更关注的是相对差距而不是绝对差距,可以通过取对数变换实现. 常用的函数包括

假设我们要判断一个人是否得癌症,比如下图:红色得癌症,蓝色不得. 看一下上图,要把红色的点和蓝色的点分开,可以画出无数条直线.上图里黄色的分割更好还是绿色的分割更好呢?直觉上一看,就是绿色的线更好.对吧. 为啥呢?考虑下图,新来了一个黑色点,明显靠蓝色点更近,如果用黄线分割,却把它划分到了红色点这个类别里. 现在细想一下为什么绿线比黄线分隔效果更好? 黄色线太贴近蓝色点 绿色线到红色点群和蓝色点群距离大致相等.恰好位于两个点群中间的位置 由此我们就引申出了SVM的理论基础:使得距离决策边界最近的

NumPy是Python语言的一个扩充程序库.支持高级大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库.Numpy内部解除了Python的PIL(全局解释器锁),运算效率极好,是大量机器学习框架的基础库! 安装命令为:pip install numpy 编辑器中具体代码如下: #导入numpy 库 import numpy as np #打印版本号 # print(np.version.version) #声明一个numpy 一维数组 nlist = np.array([1,2,

0x00 概述 Prometheus 是一个开源监控系统,它本身已经成为了云原生中指标监控的事实标准,几乎所有 k8s 的核心组件以及其它云原生系统都以 Prometheus 的指标格式输出自己的运行时监控信息.我在工作中也比较深入地使用过 Prometheus,最大的感受就是它非常容易维护,突出一个简单省心成本低.当然,这当中也免不了踩过一些坑,下面就总结一下. # 假如你没有用过 Prometheus,建议先看一遍 官方文档 0x01 接受准确性与可靠性的权衡 Prometheus 作为一个

一.numpy基础结构 1. numpy.genformtxt('路径名', delimiter = '分割符', dytype = 读取方式如str ):读取一个文件,返回一个numpy.ndarray结构的数据,这里给出了一个形式,更多参数信息参考help(numpy.genformtxt) 2. numpy.ndarray可看成是一个矩阵结构 3. numpy.array(list):把一个 list 转换成 ndarray 格式并返回,下面举两个例子 vector = numpy.arr

rentenglong大佬写的splay的梳理使我受益颇丰,特此做出一定的总结. 数据结构 定义了一个struct结构体. 为了在splay操作下储存根节点,我们宏定义了root 为 tree[0].ch[1],则我们把tree[0]看作了整棵树的超级根,而tree[0]的右儿子为排序树的根节点,那么一定有tree[0].v < tree[tree[0].ch[1]].v,所以我们需要将tree[0].v赋值为无穷小. struct Node{ int v, father; //v 保存的值,

引言 本篇介绍tensor的数学运算. 基本运算 add/minus/multiply/divide matmul pow sqrt/rsqrt round 基础运算 可以使用 + - * / 推荐 也可以使用 torch.add, mul, sub, div 123456789101112131415161718 In[3]: a = torch.rand(3,4)In[4]: b = torch.rand(4) # 使用broadcastIn[5]: a+bOut[5]: tensor([[

$ POJ~1390~~Blocks: $ (很难想的区间DP) $ solution: $ 很好的一道题目.看起来似乎很简单,当时一直认为可以用二维区间DP来完成,转移 $ n^3 $ . 后来发现如果用二维表示当前状态,转移可以说无路可走.因为可能存在原本不相邻的多个区间最后是一起消除的.所以我们需要保留下来某一段重复的区间做为我们的一个新的维度. 或者说,(存在原本不相邻的多个区间最后是一起消除的)这个过程也是可以从后向前消除,只是保留最后的一段相同区间,先消掉它前面的区间,比如12131

前言 在生活中,我们经常给朋友推荐一些自己喜欢的东西,也时常接受别人的推荐.怎么能保证推荐的电影或者美食就是朋友喜欢的呢?一般来说,你们两个人经常对同一个电影或者美食感兴趣,那么你喜欢的东西就很大程度上朋友也会比较感兴趣.在大数据的背景下,算法会帮我寻找兴趣相似的那些人,并关注他们喜欢的东西,以此来给我们推荐可能喜欢的事物. 场景描述 某外卖店铺收集了一些用户对本店铺美食的评价和推荐分,并计划为一些新老客户推荐他们未曾尝试的美食. 数据分析 A B C D E F G H I J K 0[0,

一.Pytorch安装 安装cuda和cudnn,例如cuda10,cudnn7.5 官网下载torch:https://pytorch.org/ 选择下载相应版本的torch 和torchvision的whl文件 使用pip install whl_dir安装torch,并且同时安装torchvision 二.初步使用pytorch # -*- coding:utf-8 -*- __author__ = 'Leo.Z' import torch import time # 查看torch版本

Tensor类的成员函数dim()可以返回张量的维度,shape属性与成员函数size()返回张量的具体维度分量,如下代码定义了一个两行三列的张量: f = torch.randn(2, 3) print(f.dim()) print(f.size()) print(f.shape) 输出结果: 2 torch.Size([2, 3]) torch.Size([2, 3]) dim=0的标量 维度为0的Tensor为标量,标量一般用在Loss这种地方.如下代码定义了一个标量: import to

目录 gather squeeze expand sum contiguous softmax max argmax gather torch.gather(input,dim,index,out=None).对指定维进行索引.比如4*3的张量,对dim=1进行索引,那么index的取值范围就是0~2. input是一个张量,index是索引张量.input和index的size要么全部维度都相同,要么指定的dim那一维度值不同.输出为和index大小相同的张量. import torcha=t

(1-1)pytorch张量数据的索引与切片操作1.对于张量数据的索引操作主要有以下几种方式:a=torch.rand(4,3,28,28):DIM=4的张量数据a(1)a[:2]:取第一个维度的前2个维度数据(不包括2):(2)a[:2,:1,:,:]:取第一个维度的前两个数据,取第2个维度的前1个数据,后两个维度全都取到:(3)a[:2,1:,:,:]:取第一个维度的前两个数据,取第2个维度的第1个索引到最后索引的数据(包含1),后两个维度全都取到:(4)a[:2,-3:]:负号表示第2个维