pytorch学习day1

工作需要，最近开始搞一点AI的事情。但是这个国产的AI框架，实话说对初学者不太友好比如说它不支持win下的CUDA，可是我手里只有3070Ti和4060也不太可能自己去买昇腾就有点绷不住。嗯！但是！国产还是要支持滴！自家的孩子自己抱！遥遥领先！所以！我们来先用一下pytorch，等逐渐熟悉了折腾linux环境吧。

文章目录1 torch.Tensor2 Data types3 Initializing and basic operations1）使用torch.tensor() 创建2）使用python list创建3）使用zeros ones函数创建4）通过torch.dtype指定类型， torch.device指定构造器5）零维张量6）torch.Tensor.item()从包含单个值的张量中获取Python数字4 type changes1）tensor间类型转换2）数据存储位置转换3）与Python数据类型

今天作为入门pytorch的第一天。打算记录每天学习pytorch的一些理解和笔记，以用来后面回顾。当然如果能帮到和我一样的初学者，那也是不胜荣幸。作为一名初学者，难免有些地方会现错误，欢迎各位大佬指出。

1.   torch.FloatTensor(2,3).normal_(0,1) torch.LongTensor(2,3).random(0,4) torch.from_numpy(arr).float()   data.float() model.float() ------------------------------------

输入特征图的通道数。：输出特征图的通道数。：卷积核的大小，可以是单个整数或者元组。stride：卷积核的步幅，决定了上采样的倍数。padding：在输入图像四周填充的像素数。：输出图像额外的填充，控制输出尺寸。bias：是否使用偏置，默认为True。池化层（Pooling Layer）是卷积神经网络（CNN）中的一种常见操作，通常用于减少数据的空间维度（即宽度和高度），从而减少参数数量和计算量，同时保留重要的特征信息。线性层的操作可以用以下数学公式表示：x 是输入向量或输入张量。

除了常见的损失函数之外，PyTorch还支持用户自定义损失函数，以适应特定的任务需求。通过定义自定义损失函数，用户可以根据具体情况设计特定的损失计算方式，从而更好地优化模型的训练效果。优化器在深度学习中扮演着关键的角色，它管理和更新模型中可学习参数的值，以使模型的输出更接近真实标签。在PyTorch中，优化器负责计算参数的梯度并更新参数值，实现模型的优化和训练。

loss

Pytorch学习笔记

Pytorch学习笔记（一）——张量数据类型

少用tensor.numpy()来查看tensor的np.ndarray格式数据，共享内存，修改torch.tensor对应的np.ndarray也会被改动 少用torch.from_numpy()来生成torch.tensor，共享内存，修改原始np.ndarray，其生成的torch.tensor也会被修改 如果是希望防止跟踪历史（以及使用内存），可以将代码块放在 with torch.no_grad(): 内，这个做法在使用一个模型进行评估的时候非常有用，因为模型会包含一些带有 requi..

pytorch框架的数据类型转换--type\type_as type: 指定数据类型 type_as: 给定tensor作为指导的数据类型

前言 PyTorch中的数据类型为Tensor，Tensor与Numpy中的ndarray类似，同样可以用于标量，向量，矩阵乃至更高维度上面的计算。PyTorch中的tensor又包括CPU上的数据类型和GPU上的数据类型，一般GPU上的Tensor是CPU上的Tensor加cuda()函数得到。通过使用Type函数可以查看变量类型。系统默认的torch.Tensor是torch.Floa...

PyTorch是什么? 基于Python的科学计算包，服务于以下两种场景: 作为NumPy的替代品，可以使用GPU的强大计算能力 提供最大的灵活性和高速的深度学习研究平台 pytorch里面最核心的就是tensor x = torch.rand(5, 3) 5*3的随机tensor x = torch.zeros(5, 3, dtype=torch.long) 5*3的零矩阵，其中数据类型为lon...

从零开始学Pytorch（第一天）写在前面开始学习吧Pytorch简介Pytorch运算的灵魂——张量抛砖引玉——先谈谈向量和矩阵张量张量的数据类型如何创建一个张量小节 写在前面   本人是一名NLP小白，无论是做应用还是写论文的过程中一般都是从网上爬点代码修改修改，但慢慢发现有些力不从心。知其然，更要知其所以然，此决心把Pytorch学到手，之前两个月也断断续续看了不少视频和书籍，但是效果并不好，自己的知识体系要靠自己建立。在此借用博客记录和激励一下自己的学习，如果能对大家有所帮助就更好了。 学习主要参考

文本检索：基于关键词匹配，擅长精确匹配和术语查找向量检索：基于语义相似度，擅长理解查询意图和同义词匹配Embedding 检索方法通过分别编码 Query 和 Chunk 得到向量，并用余弦相似度评估相关性。优点是可以提前计算Chunk的向量并存储，检索效率高、可大规模向量召回，适合在粗排阶段使用。但这种独立编码方式无法建模两者之间的语义交互。而 Rerank 模型会将 Query 和 Chunk 作为一个成对的输入，同时送入模型进行处理。

本文介绍了如何逆向分析并爬取一个采用JavaScript混淆和加密签名的内部测试系统API。主要步骤包括：1）分析网页结构，定位加密签名函数；2）使用Python还原JavaScript签名算法；3）实现验证码识别预处理；4）模拟登录流程获取会话；5）构造签名参数调用数据接口。案例综合运用了JavaScript逆向、加密算法还原、验证码识别等技术，通过requests.Session维护会话状态，最终实现了一个完整的自动化爬虫系统。

训练完成后，最佳权重保存路径为：runs/detect/train/weights/best.pt，如果多次运行命令runs/detect/train2,runs/detect/train3文件夹生成只需要到数字最大文件夹查看就可以找到模型。经过上面训练可以使用模型做一步部署，比如使用onnx模型在嵌入式部署，使用engine模型在jetson上deepstream部署，使用torchscript模型可以在C++上部署等等。通过比较不同模型在这些指标上的表现，可以判断哪个模型在实际应用中可能更有效。