维度扩展 x.unsqueeze(n) 在 n 号位置添加一个维度 例子: import torch x = torch.rand(3,2) x1 = x.unsqueeze(0) # 在第一维的位置添加一个维度 x2 = x.unsqueeze(1) # 在第二维的位置添加一个维度 x3 = x.unsqueeze(2) # 在第三维的位置添加一个维度 print(x1.shape) print(x2.shape) print(x3.shape) >> torch.Size([1, 3, 2

今天在洛谷上刷dp,忽然冒出一道求最大字段和的问题,然后忘了瞬间忘了这是dp,几分钟一个贪心出来了成功ac,忽然想起自己在作dp,于是乖乖刷dp. 这个可能很多人都会但是今天有4种解法哦,本人只尝试了3种解法. NO.1:明显一个贪心一个sum求当前的累加和如果小于0就清零,继续累加并不断去max即可. #include<iostream> #include<cstdio> #include<map> #include<vector> #include<

原文地址: https://blog.csdn.net/u011668104/article/details/82718375 --------------------------------------------------------------------------------------------- opencv读取彩色图片:BGR,(h,w,c) 例如: cv2.imread(‘test.jpg’) Skimage读彩色图片:RGB,(h,w,c) 例如: from skimag

(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

地址:https://github.com/pytorch/vision/blob/master/torchvision/models/resnet.py 贴代码 import torch.nn as nn import torch.utils.model_zoo as model_zoo __all__ = ['ResNet', 'resnet18', 'resnet34', 'resnet50', 'resnet101', 'resnet152'] model_urls = { 'resne

pytorch常用函数总结(持续更新) torch.max(input,dim) 求取指定维度上的最大值,,返回输入张量给定维度上每行的最大值,并同时返回每个最大值的位置索引.比如: demo.shape Out[7]: torch.Size([10, 3, 10, 10]) torch.max(demo,1)[0].shape Out[8]: torch.Size([10, 10, 10]) torch.max(demo,1)[0]这其中的[0]取得就是返回的最大值,torch.max(dem

代码和ppt: https://github.com/Iallen520/lhy_DL_Hw 遇到的一些细节问题: 1. X_train文件不带后缀名csv,所以不是规范的csv文件,不能直接用pd.read_csv,否则发现第一行名有错误,所以用原始的方法去处理 2. 记着拆分train和test,是有必要的. 3. 数据类型转换,第一次是numpy array的转换,从str转到float,第二次是pytorch数据初始化时,注意:预测问题的y是用的二维数据,float类型. 但是分类问题,

pytorch-LSTM() torch.nn包下实现了LSTM函数,实现LSTM层.多个LSTMcell组合起来是LSTM. LSTM自动实现了前向传播,不需要自己对序列进行迭代. LSTM的用到的参数如下:创建LSTM指定如下参数,至少指定前三个参数 input_size: 输入特征维数 hidden_size: 隐层状态的维数 num_layers: RNN层的个数,在图中竖向的是层数,横向的是seq_len bias: 隐层状态是否带bias,默认为true batch_first: 是

作者用游戏的暂停与继续聊明白了checkpoint的作用,在三种主流框架中演示实际使用场景,手动点赞. 转自:https://blog.floydhub.com/checkpointing-tutorial-for-tensorflow-keras-and-pytorch/ Checkpointing Tutorial for TensorFlow, Keras, and PyTorch This post will demonstrate how to checkpoint your trai

contiguous一般与transpose,permute,view搭配使用 即使用transpose或permute进行维度变换后,调用contiguous,然后方可使用view对维度进行变形. 具体原因我还没搞清,看到网上有两种说法,一种是维度变换后tensor在内存中不再是连续存储的,而view操作要求连续存储,所以需要contiguous,另一种是说维度变换后的变量是之前变量的浅复制,指向同一区域,即view操作会连带原来的变量一同变形,这是不合法的,所以也会报错,先甭管是哪个原因吧,

CRNN是OCR领域非常经典且被广泛使用的识别算法,其理论基础可以参考我上一篇文章,本文将着重讲解CRNN代码实现过程以及识别效果. 数据处理 利用图像处理技术我们手工大批量生成文字图像,一共360万张图像样本,效果如下: 我们划分了训练集和测试集(10:1),并单独存储为两个文本文件: 文本文件里的标签格式如下: 我们获取到的是最原始的数据集,在图像深度学习训练中我们一般都会把原始数据集转化为lmdb格式以方便后续的网络训练.因此我们也需要对该数据集进行lmdb格式转化.下面代码就是用于lmd

1 引言 TensorFlow2.0版本已经发布,虽然不是正式版,但预览版都发布了,正式版还会远吗?相比于1.X,2.0版的TensorFlow修改的不是一点半点,这些修改极大的弥补了1.X版本的反人类设计,提升了框架的整体易用性,绝对好评! 不多说了,赶紧来学习一波吧,做最先吃螃蟹的那一批人!先从TensorFlow的基本数据结构——张量(tensor)开始. 2 创建 2.1 constant()方法 >>> import tensorflow as tf >>>

Android 自定义title 之Action Bar 2014-06-29  飞鹰飞龙...  摘自 博客园  阅 10519  转 25 转藏到我的图书馆   微信分享:   Action Bar是在窗口上指示用户位置的组件,同时给用户提供导航和操作.使用Action Bar可以让你的应用在不同配置的屏幕上看起来比较一致.在开始之前,先了解一些相关的术语: Action Bar有以下几项关键功能: 1)为你的App提供一个装饰处,同时也可以让用户知道自己的所在位置: 2)让一些重要的操作以

RESideMenu是github上比较出名的一个开源库,主要是实现侧滑菜单,现在有三千多个star了.效果如下.   据说创意来源于dribbble的一个设计,还是比较好看的.感兴趣的可以去github上搜residemenu,地址就不贴了,选择这个开源库主要原因是带大家学习一下创建一个自定义的viewcontroller容器是怎样的步骤.其实视图容器大家每天都在用,什么navigationcontroller,tabbarcontroller,pageviewcontroller,可能第三个

Action Bar是在窗口上指示用户位置的组件,同时给用户提供导航和操作.使用Action Bar可以让你的应用在不同配置的屏幕上看起来比较一致.在开始之前,先了解一些相关的术语: Action Bar有以下几项关键功能: 1)为你的App提供一个装饰处,同时也可以让用户知道自己的所在位置: 2)让一些重要的操作以一种可预见的方式变得突出并且可访问(比如搜索): 3)支持风格一致的导航和视图切换手段: ActionBar的API首先在Android3.0(API 11)中被加入,但是可以使用S

2014-05-01 01:23 题目链接 原题: WAP to modify the array such that arr[I] = arr[arr[I]]. Do this in place i.e. with out using additional memory. example : ,,,} o/p = a = {,,,} Note : The array contains to n- integers. 题目:给定一个长度为n的数组,由0至n - 1的排列组成.请做这样的变换,ar

reshape是从低维度到高维度.max,sum等函数都是注意axis,不选择就是全体计算. swapaxes 转换轴,将两个选择的轴对调,在CNN中X乘W有的时候需要拉伸,如果轴不同结果不对. 看print 出来的np.array,最后在一维的是最后的维度. 可以看下面的示例. import numpy as np a=np.arange(3*4*5).reshape(3,4,5) # array([[[ 0, 1, 2, 3, 4], # [ 5, 6, 7, 8, 9], # [10, 1

错误的代码 outputs, _ = tf.nn.dynamic_rnn(cell, X, dtype=tf.float32) 错误原因: 该错误的意思是传入的数据集X的维度只有二维,而tf.nn.dynamic_rnn()要求传入的数据集的维度是三维(batch_size, squence_length, num_features).在这里因为特征是一维,因此没有显示. 解决方案: X = tf.expand_dims(X, axis=2) 类似的错误: ValueError: Shapes

下面代码由搭档注释,保存下来用作参考. github项目地址:https://github.com/shekkizh/FCN.tensorflowfrom __future__ import print_function import tensorflow as tf import numpy as np import TensorflowUtils as utils import read_MITSceneParsingData as scene_parsing import datetime

Logistic Regression with a Neural Network mindset You will learn to: Build the general architecture of a learning algorithm, including: Initializing parameters(初始化参数) Calculating the cost function and its gradient(计算代价函数,和他的梯度) Using an optimization