对于序列数据处理问题，上篇文章：李沐动手学深度学习V2-序列模型和代码实现评估了所需的统计工具和预测时面临的挑战，这样的数据存在许多种形式，文本是最常见例子之一。 例如一篇文章可以被简单地看作是一串单词序列，甚至是一串字符序列。文本的常见预处理步骤：首先从H.G.Well的时光机器中加载文本。这是一个相当小的语料库，只有30000多个单词，而现实中的文档集合可能会包含数十亿个单词。下面的函数将数据

机器翻译的数据集是由源语言和目标语言的文本序列对组成的，因此需要一种完全不同的方法来预处理机器翻译数据集， 而不是复用语言模型的预处理程序。首先，下载一个由Tatoeba项目的双语句子对组成的“英－法”数据集，数据集中的每一行都是制表符分隔的文本序列对，序列对由英文文本序列和翻译后的法语文本序列组成。注意每个文本序列可以是一个句子，也可以是包含多个句子的一个段落。在将英语翻译成法语的机器翻译问题中

本节锚框代码实现，使用了很多Pytorch内置函数，如果有对应函数看不懂的地方，可以查看前面博客对相应函数的具体解释，如下链接所示：目标检测算法通常会在输入图像中采样大量的区域，然后判断这些区域中是否包含我们感兴趣的目标，并调整区域边界从而更准确地预测目标的真实边界框（ground-truth bounding box）。 不同的模型使用的区域采样方法可能不同。 这里介绍其中的一种方法：以每个像素

关于数据增广的笔记

函数：requires_grad_(requires_grad=True)

torch.numel()，如下图所示：返回输入张量中元素的总数。二. torch.shape解析1. torch.shape解析返回输入tensor张量的维度大小三. torch.size()函数解析1.torch.size()函数解析跟torch.shape效果相同，也是返回输入tensor张量的维度大小。四.torch.reshape()函数解析1. 官网链接torch.reshape()，

1. NiNLeNet、AlexNet和VGG都有一个共同的设计模式：通过一系列的卷积层与汇聚层来提取空间结构特征；然后通过全连接层对特征的表征进行处理。 AlexNet和VGG对LeNet的改进主要在于如何扩大和加深这两个模块。而NiN模型去除了全连接层模块，保留了特征的空间结构，，在每个像素的通道上面使用1x1卷积层（全连接层）。1.1 NiN块回想一下，卷积层的输入和输出由四维张量组成，张量

一. 实战Kaggle比赛：狗的品种识别（ImageNet Dogs）1. 介绍在这场比赛中，将识别120类不同品种的狗，这个数据集是ImageNet的数据集子集，与 CIFAR-10数据集中的图像不同， ImageNet数据集中的图像更高更宽，且尺寸不一。比赛网址：https://www.kaggle.com/c/dog-breed-identification比赛数据集分为训练集和测试集，分别

1.自定义层：#自定义层：目前如果存在一个在深度学习框架中还不存在的层。 在这些情况下，你必须构建自定义层。import torchimport torch.nn.functional as Ffrom torch import nn#构造一个没有任何参数的自定义层class CenteredLayer(nn.Module):def __init__(self):super().__init__(

前面博文介绍了nnn元语法模型，其中单词xtx_txt​在时间步ttt的条件概率仅取决于前面n−1n-1n−1个单词。对于时间步t−(n−1)t-(n-1)t−(n−1)之前的单词，如果想将其可能产生的影响合并到xtx_txt​上，需要增加nnn，导致模型参数的数量也会随之呈指数增长，因为词表V\mathcal{V}V需要存储∣V∣n|\mathcal{V}|^n∣V∣n个数字，因此与其将P(xt