发表于 更新于 分类于
本文字数： 3.4k 阅读时长 ≈ 3 分钟

介绍本章的内容重点是学习爬取动态网页。之前爬取的网站是静态的网页，内容都在html的代码中，直接分析提取即可。然而现在不少的网站是动态的，其爬取会更复杂一些。下面是百度百科对动态网页的解释。 简单的说，动态网页是先发送请求获取没有实际我们想要的内容的一个网站的空的基本的框架，再通过后续请求往这 ...

阅读全文 »

发表于 更新于 分类于 ，
本文字数： 3.6k 阅读时长 ≈ 3 分钟

在解决任何机器学习问题时，都需要花费大量的精力来准备数据。PyTorch提供了许多工具来简化数据加载，希望能使代码更具可读性。在这篇教程里，我们将看看如何从非平凡的数据集中加载和预处理/扩增数据。

阅读全文 »

发表于 分类于 ，
本文字数： 27k 阅读时长 ≈ 24 分钟

译者博客：https://zinw623.github.io/ 什么是PYTORCH?[原英文网站] 它是基于python的科学计算包，读者定位为两种： 替代使用Numpy来使用GPU的功能 最灵活快速的深度学习研究平台 准备开始TensorsTensors是类似于加上能在GPU上进行加速计算功 ...

阅读全文 »

发表于 更新于 分类于 ，
本文字数： 7.5k 阅读时长 ≈ 7 分钟

AUTOMATIC DIFFERENTIATION PACKAGE - TORCH.AUTOGRADtorch.autograd提供了许多实现任意标量值函数自动求导的类和函数。它只需要对已有的代码最小的改动 —— 你只需要声明Tensor的关键词requires_grad=True表明梯度需要被计算 ...

阅读全文 »

发表于 更新于 分类于 ，
本文字数： 5.4k 阅读时长 ≈ 5 分钟

autograd机制 对应的英文版文档https://pytorch.org/docs/stable/notes/autograd.html 这篇笔记将会展示自动求导是如何工作和如何记录操作的概述，没有绝对的必要去理解这些全部内容，但是我们推荐最好熟悉它，因为它会帮助你写出更有效率、更简洁的程序， ...

阅读全文 »

发表于 更新于 分类于 ，
本文字数： 5.2k 阅读时长 ≈ 5 分钟

TORCHtorch package包含多维张量和定义好的数学运算的数据结构。另外，它提供了许多实用程序用于有效的序列化张量和任意类型，以及其他有用的实用程序。 它支持CUDA环境，使你能在NVIDIA GPU上进行你的张量计算，这要求你compute capability>=3.0。 Ten ...

阅读全文 »

发表于 分类于 ，
本文字数： 17k 阅读时长 ≈ 15 分钟

pytorch中常见的工具在训练神经网络的过程中需要用到很多工具、其中最重要的三部分是数据、可视化和GPU加速。本章主要介绍pytorch在这几方面常用的工具，合理使用这些工具能极大地提高编码效率。 数据处理在解决深度学习问题的过程中，往往需要花费大量的精力去处理数据，包括图像、文本、语音或其他二进 ...

阅读全文 »

发表于 更新于 分类于 ，
本文字数： 24k 阅读时长 ≈ 22 分钟

神经网络工具箱nnautograd实现了自动微分系统，然而对于深度学习来说过于底层。nn模块是构建与autograd之上的神经网络模块。除了nn之外，我们还会介绍神经网络中常用的工具，比如优化器optim,初始化init等。 nn.Moduletorch.nn的核心数据结构是Module，它是一个抽 ...

阅读全文 »

发表于 分类于 ，
本文字数： 12k 阅读时长 ≈ 11 分钟

autogradtorch.autograd是为方便用户使用，专门开发的一套自动求导引擎，它能够根据输入和前向传播过程自动构建计算图，并执行反向传播。 计算图是现代深度学习框架的核心，它为自动求导算法——反向传播提供了理论支持。 Variablepytorch在autograd模块中实现计算图相关功 ...

阅读全文 »

发表于 分类于 ，
本文字数： 16k 阅读时长 ≈ 14 分钟

Tensor和autograd 每个深度学习框架的设计核心是张量和计算图，在pytorch里体现为张量系统（Tensor）和自动微分系统（atutograd）。 Tensor 中文译为张量，可以简单看作一个数组。 与numpy里的ndarrays类似，但tensor支持GPU加速。 基础操作接口 ...

阅读全文 »