我有一个对象，它有不同的方法，比如SGD，Adam，Adamax，我可以这样调用它：
optim.SGD(parameters, lr, momentum=0.9)
optim.Adam(parameters, lr, momentum=0.9)
optim.Adamax(parameters, lr, momentum=0.9)
我怎么能在循环中调用所有的东西。我有以下算法：
models = [..., ..., ...]
lrs = [..., ..., ...]
criterions = [..., ..., ...]
for model in models:
for
浏览 10提问于2017-08-02得票数 1
我有一个火把闪电类，看起来是这样的：
import torch.optim as optim
class GraphLevelGNN(pl.LightningModule):
def __init__(self,**model_kwargs):
super().__init__()
self.save_hyperparameters()
self.model = GraphGNNModel(**model_kwargs)
self.loss_module = nn.BCEWithLogitsLoss()
self.optimizer = eval
浏览 10提问于2022-09-22得票数 1
1回答
如果我使用optim.SGD(model_conv.fc.parameters()，我会得到一个错误：
optimizer got an empty parameter list
这个错误是当model_conv.fc是nn.Hardtanh(...)时(也是当我尝试使用ReLu时)。但是对于nn.Linear，它工作得很好。
可能是什么原因？
model_conv.fc = nn.Hardtanh(min_val=0.0, max_val=1.0) #not ok --> optimizer got an empy parameter list
#model_conv.fc = nn.
浏览 21提问于2022-08-10得票数 0
我已经用PyTorch编写了一个神经网络，我想比较一下在这个网络上两个不同的损失函数的结果。
我是否应该创建两个不同的网络实例，并测试每个网络的一个丢失函数，如
network_w_loss_1 = ANN().cuda()
network_w_loss_2 = ANN().cuda()
crit_loss_1 = loss_1()
crit_loss_2 = loss_2()
opt_loss_1 = optim.SGD('params')
opt_loss_2 = optim.SGD('params')
for epoch in range(num_e
浏览 1提问于2018-05-26得票数 1
回答已采纳
我愤愤不平地阅读了pytorch教程中的代码，我发现下面有一件有趣的事情：
model_conv = torchvision.models.resnet18(pretrained=True)
for param in model_conv.parameters(): **# 1**
param.requires_grad = False **# 1**
# Parameters of newly constructed modules have requires_grad=True by default
num_ftrs = model_conv.fc.in_featur
浏览 4提问于2022-10-26得票数 -1
回答已采纳
我正在从事一个玩具项目，以比较SGD和SGD+momentum优化器在MNIST数据上的性能。为此，我创建了两个单元格块，一个用于SGD：
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0)
for epoch in range(10):
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
inputs, labels = data
op
浏览 9提问于2022-01-12得票数 0
1回答
如何为网络中的每个特定参数(权重和偏差)设置学习率？
在上，我找到了这个：
optim.SGD([{'params': model.base.parameters()},
{'params': model.classifier.parameters(), 'lr': 1e-3}],
lr=1e-2, momentum=0.9)
其中，定义了一组参数的model.classifier.parameters()获得了1e-3的特定学习率。
但是我如何将其转换为参数级别呢？
浏览 18提问于2019-11-24得票数 1
回答已采纳
层在PyTorch中列在“稀疏层”下，但有以下限制：
请记住，只有有限数量的优化器支持稀疏梯度:目前是optim.SGD (cuda和cpu)和optim.Adagrad (cpu)
原因是什么？例如，在Keras中，我可以使用任何优化器来训练具有嵌入层的体系结构。
浏览 0提问于2017-12-18得票数 5
回答已采纳
1回答
嗨，我正在尝试用pytorch来理解神经网络。我对梯度计算有疑问..
将torch.optim作为选项导入
create your optimizer
optimizer = optim.SGD(net.parameters(), lr=0.01)
在你的训练循环中：
optimizer.zero_grad() #将渐变缓冲区清零
输出=net(输入)
损失=标准(输出，目标)
loss.backward()
optimizer.step() #执行更新
从关于代码中，我了解到loss.backward()计算渐变。我不确定，这些信息如何与optimizer共享以更新渐变。
有没有人能解释
浏览 10提问于2019-07-05得票数 0
我正在使用resnet50对pytorch进行微调，希望将最后一个完全连接层的学习率设置为10^-3，而将其他层的学习率设置为10^-6。我知道我可以遵循它文档中的方法：
optim.SGD([{'params': model.base.parameters()},
{'params': model.classifier.parameters(), 'lr': 1e-3}],
lr=1e-2, momentum=0.9)
但是有没有我不需要逐层设置参数的情况呢？
浏览 2提问于2017-05-06得票数 10
1回答
我要比较有正则化和无正则化之间的区别，所以我想定制两个损失函数。
我的损失函数与L2规范：
###NET
class CNN(nn.Module):
def __init__(self):
super(CNN,self).__init__()
self.layer1 = nn.Sequential(
nn.Conv2d(3, 16, kernel_size = 5, padding=2),
nn.ReLU(),
nn.MaxPool2d(2))
self.layer2 = nn.Sequential(
浏览 2提问于2018-05-03得票数 2
我目前正在使用聚光灯在推荐系统中实现矩阵分解。聚光灯是基于火把的，它是一个集成的平台，实现RS。在聚光灯/分解/显式中，它使用torch.optim.Adam作为优化器，我想将它更改为torch.optim.SGD。
emodel = ExplicitFactorizationModel(n_iter=15,
embedding_dim=32,
use_cuda=False,
loss='reg
浏览 1提问于2019-02-19得票数 0
回答已采纳
我得到：
RuntimeError:断言`cur_target >= 0 && cur_target < n_classes‘失败。在/opt/conda/conda-bld/pytorch_1550796191843/work/aten/src/THNN/generic/ClassNLLCriterion.c:93
运行此代码时：
criterion = nn.CrossEntropyLoss()
#Define the optimizer
optimizer=optim.SGD(net.parameters(),lr=0.01,m
浏览 1提问于2019-05-04得票数 2
model_conv = torchvision.models.vgg16(pretrained=True)
for param in model_conv.parameters():
param.requires_grad = False
model_conv.classifier.requires_grad_=True
model_conv.classifier[6].out_features=len(class_names)
model_conv = model_conv.to(device)
criterion = nn.CrossEntropyLoss()
optimi
浏览 2提问于2021-09-30得票数 0
我是深度学习的初学者。我正在使用这个，我希望我的网络能够检测到一个手的关键点。
如何使输出层的节点处于范围中？另一个问题是，当我训练超过一个时代时，损失就会变成负值。
条件: torch.nn.MultiLabelSoftMarginLoss()和优化器: torch.optim.SGD()
你可以找到我的回购
net = nnModel.Net()
net = net.to(device)
criterion = nn.MultiLabelSoftMarginLoss()
optimizer = optim.SGD(net.parameters(), lr=learning_rate)
lr
浏览 10提问于2020-08-21得票数 1
回答已采纳
我是torch/lua的新手，我正在尝试评估不同的优化算法和每个算法的不同参数。
Algo: optim.sgd optim.lbfgs
参数：
learning_rate：{1e-1，1e-2，1e-3}
weight_decay：{1e-1，1e-2}
所以我想要实现的是，尝试每一个超参数的组合，并得到每个算法的最优参数集。
那么是否有这样的事情：
param_grid = [
{'C': [1, 10, 100, 1000], 'kernel': ['linear']},
{'C': [1, 10, 10
浏览 2提问于2015-08-13得票数 1
回答已采纳
我想使用skorch将交叉验证应用于method，所以我准备了我的模型和返回(图像、标题和captions_length)的captions_length，所以它有X和Y，所以我不能在方法中设置Y
net.fit(dataset)
但当我尝试的时候我发现了一个错误：
ValueError:分层简历要求显式传递合适的y
下面是我代码的一部分：
start = time.time()
net = NeuralNetClassifier(
decoder, criterion= nn.CrossEntropyLoss,
max_epochs=args.epoc
浏览 0提问于2019-06-07得票数 7
回答已采纳
1回答
https://colab.research.google.com/github/pytorch/tutorials/blob/gh-pages/_下载/神经_网络_tutorial.ipynb
嗨，我正试着用火把来理解神经网络。我对梯度计算有疑问。
将torch.optim导入为optim
create your optimizer
optimizer = optim.SGD(net.parameters(), lr=0.01)
# in your training loop:
optimizer.zero_grad() # zero the gradient buffers
outpu
浏览 0提问于2019-07-05得票数 1
1回答
背靠背坡度维数的实际理解
、、、
我编写了这段实现线性(1，1) ->线性(1，1) -> MSE向前/后传递的torch代码：
l1 = torch.nn.Linear(1, 1, bias=False)
l2 = torch.nn.Linear(1, 1, bias=False)
l1.weight = torch.nn.Parameter(
torch.tensor([[ 0.6279 ]]))
l2.weight = torch.nn.Parameter(
torch.tensor([[ 0.731 ]]))
loss_fn = torch.nn.MSELoss()
opti
浏览 5提问于2022-06-20得票数 1
1回答
我在读一篇关于Fast模型的论文。
在“SGD超参数”的2.3部分中，所有层都使用每层学习速率1作为权重，2用于偏倚，全局学习速率为0.001。
“每层学习速率”与“分层特定学习率”是一种分层学习速度吗？如果是这样的话，我无法理解它们(“每层学习速率”和“全球学习速率”)是如何同时应用的？
我发现了“特定层的学习速率”的例子。
optim.SGD([
{'params': model.some_layers.parameters()},
{'params': model.some_layer
浏览 2提问于2021-10-01得票数 2
回答已采纳
1回答
如何在割炬网上进行裁剪
、、、、
我正在Pytorch中使用实现SegNet，我想对它进行细化。我在网上阅读过，我找到了方法(基本上冻结了所有的层，除了最后一个在您的网络中)。我的问题是SegNet有100多个层，我正在寻找一种更简单的方法，而不是编写100行代码。
你觉得这个能行吗？还是这完全是胡说八道？
import torch.optim as optim
model = SegNet()
for name, param in model.named_modules():
if name != 'conv11d': # the last layer should remain active
浏览 1提问于2018-05-15得票数 0
回答已采纳
来自PyTorch's official tutorial的示例具有以下ConvNet。我的理解是，输出层使用softmax来估计图像对应的数字。为什么代码没有softmax层或全连接层？ model = nn.Sequential(
nn.Conv2d(1, 16, kernel_size=3, stride=2, padding=1),
nn.ReLU(),
nn.Conv2d(16, 16, kernel_size=3, stride=2, padding=1),
nn.ReLU(),
nn.Conv2d(16, 10, kernel_s
浏览 93提问于2020-04-11得票数 1
1回答
火炬-使用随CNN的
、、、、
我正试着用optim包来训练一位CNN。我使用从获得的 (参见24:01)作为参考。这个特殊的例子使用了一个正常的神经网络。我还使用了。
我的CNN代码可以找到。问题是，如果输入的X不是单个图像，我就会得到一个错误：
In 14 module of nn.Sequential:
/home/ubuntu/torch/install/share/lua/5.1/nn/Linear.lua:57: size mismatch at /tmp/luarocks_cutorch-scm-1-1695/cutorch/lib/THC/generic/THCTensorMathBlas.cu:52
当我不
浏览 6提问于2017-04-01得票数 0
回答已采纳
我试图在CIFAR10数据集上训练一个非常基本的CNN，得到以下错误: AttributeError：'CrossEntropyLoss‘对象没有’CrossEntropyLoss‘属性。
criterion =nn.CrossEntropyLoss
optimizer=optim.SGD(net.parameters(),lr=0.001,momentum=0.9)
for epoch in range(2): # loop over the dataset multiple times
running_loss = 0.0
for i, data
浏览 2提问于2017-11-26得票数 6
回答已采纳
我只想通过转移学习来学习第一层，并修正(冻结)其他层的参数。
但我被要求**requires_grad = True **。我该如何解决这个问题？下面是对我们尝试过的和遇到的错误的描述。
from efficientnet_pytorch import EfficientNet
model_b0 = EfficientNet.from_pretrained('efficientnet-b0')
num_ftrs = model_b0._fc.in_features
model_b0._fc = nn.Linear(num_ftrs, 10)
for param in mod
浏览 19提问于2022-09-15得票数 1
回答已采纳
trainloader = torch.utils.data.DataLoader(trainset,batch_size=64,shuffle=True)
import torch.optim as optim
model = NEURAL_NETWORK()
optimizer = optim.SGD(model.parameters(), lr = 0.03)
costfx = nn.CrossEntropyLoss()
def train_model(model,batches):
times = 0
for i in range(batches):
accuracy
浏览 1提问于2021-10-09得票数 0
我正在尝试使用梯度方法来找到函数f的最小值，其中x(k+1)=x(k)-α▽f(x)和α=0.1。函数f是f(x) = 2*(x^3+1)^(-1/2)，x(0)=1在这里是py手电示例
import torch
import torch.nn as nn
from torch import optim
alpha = 0.1
class MyModel(nn.Module):
def __init__(self):
super().__init__()
self.x = 1
def forward(self, x):
retu
浏览 4提问于2022-06-13得票数 1
我正在尝试用两种方式来做SoftMaxRegression
第一种方法：
x_train = torch.FloatTensor([[1, 2, 1, 1],
[2, 1, 3, 2],
[3, 1, 3, 4],
[4, 1, 5, 5],
[1, 7, 5, 5],
[1, 2, 5, 6],
[1, 6, 6, 6],
[1, 7, 7, 7]])
y_train=torch.LongTensor([2, 2, 2, 1, 1, 1,
浏览 1提问于2020-12-11得票数 0
我有以下代码来训练一个简单的模型：
train_loader, another_loader = get_loaders()
model = torch_utils.get_model()
ce = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9)
another_loader_iter = iter(another_loader)
for epoch in range(10):
for i, (X, y) in enumerate(train_loader
浏览 7提问于2020-02-26得票数 1
回答已采纳
我不确定PyTorch恒流如何将损失函数与我想要计算的模型联系起来。在损失和模型之间从来没有明确的引用，比如模型的参数和优化器之间的引用。
例如，我想在同一个数据集上训练2个网络，所以我想利用数据集中的一次传递。PyTorch将如何将适当的损失函数链接到适当的模型。以下是供参考的代码：
import torch
from torch import nn, optim
import torch.nn.functional as F
from torchvision import datasets, transforms
import shap
# Define a transform to n
浏览 2提问于2019-11-14得票数 7
回答已采纳
1回答
高斯混合模型的参数估计
、、、
我试着训练一个模型来估计一个GMM。但是，每次计算GMM的平均值都是基于一个mean_placement参数。按照提供的解决方案，我将复制和粘贴原始代码：
import numpy as np
import matplotlib.pyplot as plt
import sklearn.datasets as datasets
import torch
from torch import nn
from torch import optim
import torch.distributions as D
num_layers = 8
weights = torch.ones(8,requi
浏览 9提问于2022-04-06得票数 1
回答已采纳
我正在寻找对象检测的自定义数据集在PyTorch。
教程提供了一个片段，用于使用预先训练过的模型进行自定义对象分类。
model_ft = models.resnet18(pretrained=True)
num_ftrs = model_ft.fc.in_features
model_ft.fc = nn.Linear(num_ftrs, 2)
model_ft = model_ft.to(device)
criterion = nn.CrossEntropyLoss()
# Observe that all parameters are being optimized
optimiz
浏览 0提问于2019-06-26得票数 4
例如，我有一个以张量作为输入，张量N，4作为输出的网，“4”表示不同类的概率。
训练数据的标签是张量N的形式，从0到3(代表地面真相类)。
我的问题是，我看到了一些演示，它们直接将损失函数应用于输出张量和标号张量。我想知道为什么这可以工作，因为他们有不同的大小，那里的大小似乎不符合“广播语义学”。
这是最小的演示。
import torch
import torch.nn as nn
import torch.optim as optim
if __name__ == '__main__':
features = torch.randn(2, 7)
gt =
浏览 0提问于2018-08-13得票数 2
回答已采纳
1回答
模型与SGD学习，而不是Adam
、、、、
我正在浏览一个基本的PyTorch MNIST示例，并注意到当我将优化器从SGD更改为Adam时，模型没有收敛。具体来说，我把第106行从
optimizer = optim.SGD(model.parameters(), lr=args.lr, momentum=args.momentum)
至
optimizer = optim.Adam(model.parameters(), lr=args.lr)
我以为这对模特没有任何影响。随着SGD的下跌，损失迅速下降到低值后，大约四分之一的时代。然而，对于亚当来说，即使在经历了10个时代之后，损失也没有减少。我很好奇为什么会发生这种情况；在我看来
浏览 0提问于2019-04-20得票数 2
1回答
这是一个玩具模型。在调用backward之前，我会准确地打印模型参数一次，然后再次打印模型参数。参数不变。如果在调用model:updateParameters(<learning_rate>)后添加行backward，则会看到参数更新。
但是在我看到的示例代码中，例如，实际上没有人调用updateParameters。而且，它看起来也不像optim.sgd、optim.adam或nn.StochasticGradient曾经调用过updateParameters。我在这里错过了什么？参数是如何自动更新的？如果我必须调用updateParameters，为什么没有这样的例子呢？
r
浏览 2提问于2017-08-22得票数 0
回答已采纳
1回答
VGG微调期间出现大小不匹配错误
、、、、
我一直在关注官方PyTorch文档()中的蚂蚁和蜜蜂迁移学习教程。我试图通过更改最后一层来预测两个类中的一个，从而对VGG19模型进行微调。我可以使用以下代码修改最后一个fc层。
但我在执行train_model函数时遇到错误。错误是“size mismatch at /opt/conda/conda-bld/pytorch_1513368888240/work/torch/lib/THC/generic/THCTensorMathBlas.cu:243”.”知道问题出在哪里吗？
model_conv = torchvision.models.vgg19(pretrained=True)
fo
浏览 1提问于2018-02-15得票数 0
我正在尝试从波士顿数据集进行线性回归。自第一次迭代以来，MSE损失函数为nan。我试着改变学习速度和batch_size，但没有用。
from torch.utils.data import TensorDataset , DataLoader
inputs = torch.from_numpy(Features).to(torch.float32)
targets = torch.from_numpy(target).to(torch.float32)
train_ds = TensorDataset(inputs , targets)
train_dl = DataLoader(trai
浏览 2提问于2020-06-20得票数 0
1回答
我目前正在关注中的PyTorch迁移学习教程
我已经能够在CPU和1 GPU上完成教程和培训。
我正在使用谷歌云平台笔记本实例，并使用4个NVIDIA Tesla k80 x 4GPU。正是在这里，当我在超过1个GPU上训练网络时，遇到了服务器连接错误(无效响应: 504)错误
model_ft = models.resnet18(pretrained=True)
num_ftrs = model_ft.fc.in_features
model_ft.fc = nn.Linear(num_ftrs, 2)
device = torch.device("cuda:0" if t
浏览 1提问于2019-08-08得票数 1
我使用的是来自的Pytorch代码
我正试着把它移植到Keras。尤其是，Keras使用model.fit来训练神经网络，并具有一个batch_size参数。我试图设置它，但不能确定它在上面链接的Pytorch脚本。
在脚本中，方框4中有一个名为sliding_window的函数，其中有一个名为step的参数。我不确定这是否是batch_size的等效设置。
此外，我还在研究如何从Pytorch代码中的方框11中设置学习速率调度程序：
base_lr = 0.01
params_dict = dict(net.named_parameters())
params = []
for key, v
浏览 1提问于2018-02-02得票数 0
回答已采纳
我正在尝试在keras中模仿pytorch神经网络。 我确信我的keras版本的神经网络与pytorch中的非常接近，但在训练过程中，我看到pytorch网络的损失值比keras网络的损失值要低得多。我想知道这是不是因为我没有正确复制keras中的pytorch网络，或者两个框架中的损失计算是不同的。 Pytorch损失定义： loss_function = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=args.lr, momentum=0.9, weight_decay=5e-4) Keras损失定义：
浏览 555提问于2020-04-26得票数 3
回答已采纳
2回答
我正在用PyTorch学习回归(Profit vs R&D)。我已经创建了以下脚本：
url =https://raw.githubusercontent.com/LakshmiPanguluri/Linear_Multiple_Regression/master/50_Startups.csv
starup = pd.read_csv(url)
profit = np.array(starup['Profit']).reshape(-1,1)
rd = np.array(starup['R&D Spend']).reshape(-1,1)
m
浏览 0提问于2020-02-27得票数 0
我目前正在开发一个分布式联合学习基础设施，并且正在尝试实现PyTorch。为此，我还需要联邦平均，它对从所有节点检索到的参数进行平均，然后将这些参数传递给下一轮培训。
参数的收集如下所示：
def RPC_get_parameters(data, model):
"""
Get parameters from nodes
"""
with torch.no_grad():
for parameters in model.parameters():
# store param
浏览 7提问于2021-06-10得票数 0
1回答
如何建立优化器并进行训练？
、、、、
我是个新手，我正在尝试运行我找到的github模型并对其进行测试。因此，作者给出了模型和损失函数。
就像这样：
#1. Inference the model
model = PhysNet_padding_Encoder_Decoder_MAX(frames=128)
rPPG, x_visual, x_visual3232, x_visual1616 = model(inputs)
#2. Normalized the Predicted rPPG signal and GroundTruth BVP signal
rPPG = (rPPG-torch.mean(rPPG)) /torc
浏览 1提问于2020-11-11得票数 0
回答已采纳
1:我有两个形状不同的numpy数组，我想从结果操作中获得均方误差。numpy数组具有不同的形状，作为训练的一部分，我有一个独立于预测numpy数组的验证集，但预测集是从numpy数组构建的。 2:我曾尝试使用torch.Tensor.repeat()作为扩大预测集的方法，但我缺乏有效地进行重复的正确数学方法。 3:训练方法： def train(net, x_train, x_opt, BATCH_SIZE, EPOCHS, input_dim):
outputs = 0
mse = 0
optimizer = optim.SGD(net.parameters(),
浏览 15提问于2020-07-14得票数 0
我实现了一个自定义丢失函数，如下所示：
然而，这个函数的梯度总是为零，我不明白为什么。目标函数的代码：
def objective(p, output):
x,y = p
a = minA
b = minB
r = 0.1
XA = 1/2 -1/2 * torch.tanh(100*((x - a[0])**2 + (y - a[1])**2 - (r + 0.02)**2))
XB = 1/2 -1/2 * torch.tanh(100*((x - b[0])**2 + (y - b[1])**2 - (r + 0.02)**2))
q = (1-XA
浏览 5提问于2022-11-07得票数 0
1回答
我试图在CPU上使用CIFAR-100数据集来训练一个模型.但是，我发现了一个错误：
Traceback (most recent call last):
File "recog.py", line 68, in <module>
loss = criterion(outputs, labels)
File "/usr/local/lib/python3.7/dist-packages/torch/nn/modules/module.py", line 1102, in _call_impl
return forward_ca
浏览 8提问于2022-09-13得票数 0
回答已采纳
我目前正在训练一个神经网络来分类食物图像中的食物组，产生5个输出类。但是，每当我开始训练网络时，我都会得到以下错误：
ValueError: Expected input batch_size (64) to match target batch_size (30).
这是我的神经网络定义和训练代码。我真的很会帮忙，因为我对pytorch比较陌生，也不知道我的代码到底出了什么问题。谢谢!
#Define the Network Architechture
model = nn.Sequential(nn.Linear(7500, 4950),
nn
浏览 2提问于2020-10-14得票数 0
回答已采纳
这里我们有一个关于这个问题的摘要：
假设我们有两个模型: ResNet和EfficienNet。
第一个模型如下所示：(ResNet)
def __init__(self, in_channels, out_channels, num_classes):
super().__init__()
self.conv1_0 = _conv3x3(3, 32, stride=2)
self.bn1_0 = _bn(32)
self.conv1_1 = _conv3x3(32, 32, stride=1)
self.bn1_1 = _bn(32)
sel
浏览 11提问于2022-09-12得票数 1
回答已采纳
我有三个1080 of，但当火车上我只能用其中的两个。
代码：
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.cuda()
criterion = nn.CrossEntropyLoss().cuda()
optimizer_conv = optim.SGD(model.classifier.parameters(), lr=0.0001, momentum=0.9)
exp_lr_scheduler = lr_scheduler.StepLR(optim
浏览 0提问于2018-10-31得票数 0
2回答
基于Py手电的线性自动编码器
、、、、
我们如何构建一个简单的线性自动编码器，并使用torch.optim优化器对其进行培训？
如何使用autograd (.backward())和优化最小均方损耗来实现，然后学习编码器和解码器(即。编码器中有3个参数，解码器中有4个参数)？数据必须是随机的，对于每一轮学习，从随机权重和偏差开始，例如：
wEncoder = torch.randn(D,1, requires_grad=True)
wDecoder = torch.randn(1,D, requires_grad=True)
bEncoder = torch.randn(1, requires_grad=True)
bDecoder
浏览 5提问于2021-09-22得票数 1
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM活动推荐
腾讯云开发者
