Questions tagged «pytorch»

既PyTorch和Tensorflow折是指处理，其中输入数据具有非均匀的长度或尺寸的情况下（即，在动态图都是有用的或需要的情况下）深学习框架。 我想知道它们之间的比较，从它们所依赖的范式（例如动态批处理）及其含义的角度来看，它们之间不能/不能实现的事情，弱点/优点等。 我打算使用此信息选择其中一个以开始探索动态计算图，但是我没有特定的任务在想。 注1：像其他的动态计算图形框架DyNet或Chainer也欢迎比较，但我想专注于PyTorch和Tensorflow折，因为我认为他们是/将是最常用的。 注意2：我在PyTorch上发现了这个hackernews线程，其中包含一些稀疏信息，但数量不多。 注意3：另一个与Tensorflow Fold 有关的hackernews线程，包含一些有关它们如何比较的信息。 注意4：相关的Reddit线程。 注5：Tensorflow Fold的github中的相关bug指出了一个重要限制：评估期间无法进行条件分支。 注释6：在pytorch论坛上讨论有关所使用算法（例如动态批处理）的可变长度输入。

26 python  deep-learning  tensorflow  pytorch 

我是pytorch的新手，并从此 github代码开始。我不理解代码中60-61行中的注释"because weights have requires_grad=True, but we don't need to track this in autograd"。我了解我们提到requires_grad=True了使用autograd计算梯度所需的变量，但这意味着什么"tracked by autograd"呢？

21 pytorch 

谷歌最近在tensorflow的每晚构建中加入了其Eager模式，这是访问tensorflow计算功能的必要API。 张量流渴望与PyTorch相比如何？ 可能影响比较的一些方面可能是： 渴望的优缺点来自其静态图的遗留（例如，节点中的名称）。 它们中任何一个都没有的内在限制。 其中之一需要改进的领域（例如，功能完整性，计算优化）。 生态系统差异（例如张量板？）。 注意1：Yaroslav Bulatov撰写了有关eager不错功能的评论。 注意2：在上一个问题中，我要求比较PyTorch和Tensorflow Fold。当时，在我看来Fold可以面对PyTorch，这要归功于Google的支持。我非常错：最终，Google本身放弃了Fold而转而使用Eager。我知道这是由于普通tensorflow API的固有限制导致Fold不太友好，从而限制了它的采用。

14 deep-learning  tensorflow  pytorch 

我正在尝试在64个随机生成的数据点上训练单个感知器（1000个输入单元，1个输出，没有隐藏层）。我正在使用Adam优化器使用Pytorch： import torch from torch.autograd import Variable torch.manual_seed(545345) N, D_in, D_out = 64, 1000, 1 x = Variable(torch.randn(N, D_in)) y = Variable(torch.randn(N, D_out)) model = torch.nn.Linear(D_in, D_out) loss_fn = torch.nn.MSELoss(size_average=False) optimizer = torch.optim.Adam(model.parameters()) for t in xrange(5000): y_pred = model(x) loss = loss_fn(y_pred, y) print(t, loss.data[0]) optimizer.zero_grad() loss.backward() optimizer.step() 最初，损耗迅速降低，如预期的那样： …

11 perceptron  pytorch 

我想使用ANN解决我的问题，但是问题是我的输入和输出节点号不固定。 我问了我的问题之前做了一些谷歌搜索，发现RNN可以帮助我解决我的问题。但是，我发现的所有示例都以某种方式定义了输入和输出节点的数量。 因此，我正在寻找一种策略，如何使其成为现实，或者至少是一些示例，在Keras或PyTorch中更可取。 有关我的问题的更多详细信息： 我有两个输入列表，其中第一个的长度是固定的，等于2，fe： in_1 = [2,2] 但是第二个列表的长度是灵活的，长度可以从3到inf，fe： in_2 = [1,1,2,2] 要么 in_2 = [1,1,1,2,2,2,3,3,3] 同样，输入列表彼此依赖。第一个列表显示输出列表的维度。因此，如果in_1 = [2,2]，则意味着输出必须具有重塑为[2,2]形式的可能性。 目前，我正在考虑将两个输入列表合并为一个： in = in_1 + in_2 = [2, 2, 1, 1, 2, 2] 此外，输出与in_2列表fi的长度相同： 如果输入列表是： in_1 = [2, 2] in_2 = [1, 1, 2, 2] 输出应为： out = [1, 2, 1, …

10 python  neural-network  keras  rnn  pytorch