tensorflow bucketstensorflow的编码原则是,先构建计算图,然后再去执行计算图(sess.run()).这就会导致一个问题,我们无法在运行的过程中动态的更改图的结构.我们能做的就是,先构建出完整的图,然后可以去执行其子图. tensorflow中的bucket就是基于这么一种思想.seq2seq简单介绍在seq2seq场景中,输入和输出的sequence的长度往往是变长的.

文章部分翻译自http://anie.me/On-Torchtext/API一览torchtext.datatorchtext.data.Example : 用来表示一个样本，数据+标签torchtext.vocab.Vocab: 词汇表相关torchtext.data.Datasets: 数据集类，__getitem__ 返回 Example实例torchtext...

learning rate decay在训练神经网络的时候，通常在训练刚开始的时候使用较大的learning rate， 随着训练的进行，我们会慢慢的减小learning rate。对于这种常用的训练策略，tensorflow 也提供了相应的API让我们可以更简单的将这个方法应用到我们训练网络的过程中。接口tf.train.exponential_decay(learning_rate, glo

自定义Datasets什么是Datasets:在输入流水线中，我们看到准备数据的接口是这么写的data = datasets.CIFAR10("./data/", transform=transform, train=True, download=True)。datasets.CIFAR10即使一个Datasets类，data是这个类的一个实例。为什么要定义Datasets:PyTorch提供了一

博主水平有限，如有错误，请不吝指出。pytorch源码注释，欢迎 pr，提 issue 和 star当我们使用 pytorch 的 python 的接口编写代码的时候，感觉是十分清爽的，不需要考虑底层的实现。但是好奇心驱使我们 想一探究竟，看看底层 C/C++ 那部分到底做了什么。本篇文章主要专注于：pytorch 是如何动态构建反向传导图的pytorch 的反向传导是怎么操作...

自定义Datasets什么是Datasets:在输入流水线中，我们看到准备数据的接口是这么写的data = datasets.CIFAR10("./data/", transform=transform, train=True, download=True)。datasets.CIFAR10即使一个Datasets类，data是这个类的一个实例。为什么要定义Datasets:PyTorch提供了一

# 保存和加载整个模型torch.save(model_object, 'model.pkl')model = torch.load('model.pkl')# 仅保存和加载模型参数(推荐使用)torch.save(model_object.state_dict(), 'params.pkl')model_object.load_state_dict(torch.load('par...

当序列化 NDArray 的时候，我们序列化的是NDArray 中保存的 tensor 值。当序列化 Symbol 的时候，我们序列化的是 Graph。Symbol序列化当序列化 Symbol 的时候，通常使用 json 文件作为序列化后的文件，因为可读性好。import mxnet as mxa = mx.sym.Variable('a', shape=[2,])b = mx.sym.Vari

如何使用tensorflow内置的参数导出和导入方法：基本用法如果你还在纠结如何保存tensorflow训练好的模型参数，用这个方法就对了import tensorflow as tf"""变量声明，运算声明 例：w = tf.get_variable(name="vari_name", shape=[], dtype=tf.float32)初始化op声明"""#创建saver opsa

# 保存和加载整个模型torch.save(model_object, 'model.pkl')model = torch.load('model.pkl')# 仅保存和加载模型参数(推荐使用)torch.save(model_object.state_dict(), 'params.pkl')model_object.load_state_dict(torch.load('par...