卷积神经网络中的填充(padding)和步幅(stride)之前写过一篇blog，描述CNN网络层的输入和输入尺寸的计算关系，但是并没有描述的很全面，这里全面描述了影响输出尺寸的两个超参数padding和stride，查阅了相关资料，编码理解了pytorch中CNN网络的输入输出关系。对于CNN网络，一般来说，假设输入形状是nh×nwn_h\times n_wnh​×nw​，卷积核窗口形状是kh×

pytorch卷积层与池化层输出的尺寸的计算公式详解要设计卷积神经网络的结构，必须匹配层与层之间的输入与输出的尺寸，这就需要较好的计算输出尺寸卷积后，池化后尺寸计算公式：(图像尺寸-卷积核尺寸)/步长+1(图像尺寸-池化窗尺寸)/步长+1例Conv2d:`...

LSTM的输入和输出尺寸CLASS torch.nn.LSTM(*args, **kwargs)Applies a multi-layer long short-term memory (LSTM) RNN to an input sequence.For each element in the input sequence, each layer computes the following f

pytorch实现自定义网络层，并自设定前向传播路径-学习笔记1. 不包含模型参数的自定义网络层首先我们自定义一个网络层，定义一个网络层，使其不包含模型参数，并在forward()函数中进行运算：import torchfrom torch import nnclass non_param_layer(nn.Module):def __init__(self, **kwargs):super(no

DataLoaderclass torch.utils.data.DataLoader( \dataset, batch_size=1, shuffle=False, sampler=None, batch_sampler=None, \num_workers=0, collate_fn=None, pin_memory=False, drop_last=False, timeout=0,\wor

模型参数的初始化与访问操作学习 如何初始化以及访问模型参数，以及如何在多层之间共享模型参数首先定义一个含有单个隐藏层的多层感知机，使用默认方式初始化该模型的参数，并且进行一次前向计算：...

pytorch 训练模型很慢，卡数据读取，卡磁盘数据集i/o的解决方案

代码】pytorch model.train() 和model.eval() 对 BN 层的影响。

pytorch实现多层感知机（自动定义模型）对Fashion-MNIST数据集进行分类导入模块：import torchfrom torch import nnfrom torch.nn import initimport numpy as np定义数据集：class FlattenLayer(nn.Module): # 定义一个tensor形状转换的层def __init__(self):sup

使用python pytorch框架出现问题：IndexError: invalid index of a 0-dim tensor. Use tensor.item() in Python or tensor.item<T>() in C++ to convert a 0-dim tensor to a number修改loss.data[0]为loss.item()例：if (i+