基于双语数据集搭建seq2seq模型
基于英-法数据集搭建无注意力机制的seq2seq模型
基于GAN的时序缺失数据填补前言（1）——RNN介绍及pytorch代码实现
本专栏将主要介绍基于GAN的时序缺失数据填补。提起时序数据，就离不开一个神经网络——循环神经网络（Recurrent Neural Network, RNN）。RNN是一类用于处理序列数据的神经网络。RNN对具有序列特性的数据非常有效，它能挖掘数据中的时序信息。因为在介绍时序缺失数据填补，就离不开R
Linux下使用Anaconda安装 Pytorch（GPU）各个版本（万无一失），不会出现问题，经历各种踩坑的总结
（1）按照自己的环境选择，但是没有自己想要的版本。（2）修改安装命令里的版本号不是安装出错就是运行出错。（3）安装上之后用进入python环境，导入torch模块，之后输入命令输出安装torch的cuda版本没有反应，因为使用命令装上的是CPU版本的或者装的torch缺失cuda.（3）pytorc
深入浅出PyTorch中的nn.CrossEntropyLoss
PyTorch中的交叉熵详解
PyTorch 卷积网络正则化 DropBlock
论文地址：https://arxiv.org/pdf/1810.12890.pdfDropBlock 是一种类似于 dropout 的简单方法，它与 dropout 的主要区别在于，它从层的特征图中抹除连续区域，而不是抹除独立的随机单元类似地，DropBlock 通过随机地置零网络的响应，实现了通道
PyTorch中repeat、tile与repeat_interleave的区别
PyTorch中repeat、tile与repeat_interleave的区别
丢弃法Dropout(Pytorch)
介绍了dropout（丢弃法），以及PyTorch的从零实现和调API实现
权重衰退（PyTorch）
权重衰退和正则项的影响本质以及Pytorch的代码实现
GPU启用及Pytorch/Cuda安装
最近在跑神经网络，用CPU跑实在是太慢了，于是决定探究一下怎么用GPU跑，配置GPU环境的过程异常艰辛，为此还阅读几十篇CSDN+知乎优秀博主的优质论文，最后终于整出来了，现在我总结一下就当做个备忘录吧。以下内容引用了很多博主的博客内容，如有侵权，立刻删除。.........
Pytorch（二） —— 激活函数、损失函数及其梯度
δ(x)=11+e−xδ′(x)=δ(1−δ)\delta(x)=\frac{1}{1+e^{-x}}\\\delta'(x)=\delta(1-\delta)δ(x)=1+e−x1δ′(x)=δ(1−δ)tanh(x)=ex−e−xex+e−x∂tanh(x)∂x=1−tanh2(x)tanh(
时间序列预测系列文章总结（代码使用方法）
时间序列预测系列文章总结（代码使用方法）
深入理解PyTorch中的nn.Embedding
深入理解nn.Embedding模块
神经网络-最大池化的使用
池化层的官方文档中介绍了很多种的池化方法，但是最常用的还是MaxPool2d,这里我们也用MaxPool2d来讲解，其他的类似，关键还是要学会看官方文档概述：最大池化目的就是为了保留输入的特征，但是同时把数据量减少，最大池化之后数据量就减少了，对于整个网路来说，进行计算的参数就变少了，就会训练的更快
PyTorch搭建LSTM实现服装分类（FashionMNIST）
LSTM + FashionMNIST
PyTorch搭建CNN-LSTM混合模型实现多变量多步长时间序列预测（负荷预测）
PyTorch搭建CNN-LSTM混合模型实现多变量多步长时间序列预测（负荷预测）
用RNN & CNN进行情感分析 - PyTorch
情感分析研究人们在文本中（如产品评论、博客评论和论坛讨论等）“隐藏”的情绪。这里使用斯坦福大学的大型电影评论数据集（large movie review dataset）进行情感分析。它由一个训练集和一个测试集组成，其中包含从IMDb下载的25000个电影评论。在这两个数据集中，“积极”和“消极”标
【时序预测完整教程】以气温预测为例说明论文组成及PyTorch代码管道构建
时间序列预测论文组成及PyTorch代码管道构建详解。
Win11系统PyTorch环境安装配置
Win11系统PyTorch环境安装配置
PyTorch nn.RNN 参数全解析
全面解析 torch.nn.RNN
