PyTorch 学习笔记
  • (开篇词)PyTorch 学习笔记
  • 1 基本概念
    • 1.1 PyTorch 简介与安装
    • 1.2 Tensor(张量)介绍
    • 1.3 张量操作与线性回归
    • 1.4 计算图与动态图机制
    • 1.5 autograd 与逻辑回归
  • 2 图片处理与数据加载
    • 2.1 DataLoader 与 DataSet
    • 2.2 图片预处理 transforms 模块机制
    • 2.3 二十二种 transforms 图片数据预处理方法
  • 3 模型构建
    • 3.1 模型创建步骤与 nn.Module
    • 3.2 卷积层
    • 3.3 池化层、线性层和激活函数层
  • 4 模型训练
    • 4.1 权值初始化
    • 4.2 损失函数
    • 4.3 优化器
  • 5 可视化与 Hook
    • 5.1 TensorBoard 介绍
    • 5.2 Hook 函数与 CAM 算法
  • 6 正则化
    • 6.1 weight decay 和 dropout
    • 6.2 Normalization
  • 7 模型其他操作
    • 7.1 模型保存与加载
    • 7.2 模型 Finetune
    • 7.3 使用 GPU 训练模型
  • 8 实际应用
    • 8.1 图像分类简述与 ResNet 源码分析
    • 8.2 目标检测简介
    • 8.3 GAN(生成对抗网络)简介
    • 8.4 手动实现 RNN
  • 9 其他
    • PyTorch 常见报错信息
    • 图神经网络 PyTorch Geometric 入门教程
由 GitBook 提供支持
在本页

这有帮助吗?

6 正则化

6.1 weight decay 和 dropout6.2 Normalization
上一页5.2 Hook 函数与 CAM 算法下一页6.1 weight decay 和 dropout

最后更新于4年前

这有帮助吗?