在神经网络训练期间，将输入张量的一些随机元素设为零已被证明是一种有效的正则化技术。为了实现此任务，我们可以应用 torch.nn.Dropout()。它将输入张量的一些元素设为零。元素将以给定的概率 p 被设为零。它使用伯努利分布对元素是否被设为零进行采样。它不支持复数值输入。语法torch.nn.Dropout(p=0.5)元素被设为零的默认概率设置为 0.5步骤我们可以使用以下步骤随机将输入的一些元素设为零... 阅读更多

我们可以重新缩放一个 n 维输入张量，使其元素位于 [0, 1] 范围内且总和为 1。为此，我们可以应用 Softmax() 函数。我们可以沿着特定维度重新缩放 n 维输入张量。输出张量的尺寸与输入张量相同。语法torch.nn.Softmax(dim)参数dim – 计算 Softmax 的维度。步骤我们可以使用以下步骤在随机位置以给定尺寸裁剪图像 -导入所需的库。在以下所有示例中，所需的 Python 库是 torch。确保您已安装它。import ... 阅读更多

要对输入张量逐元素应用整流线性单元 (ReLU) 函数，我们使用 torch.nn.ReLU()。它将输入张量中所有负元素替换为 0（零），所有非负元素保持不变。它仅支持实值输入张量。ReLU 用作神经网络中的激活函数。语法relu = torch.nn.ReLU() output = relu(input)步骤您可以使用以下步骤逐元素应用整流线性单元 (ReLU) 函数 -导入所需的库。在以下所有示例中，所需的 Python 库是 torch。确保您已安装它。import torch import torch.nn as nn定义输入张量... 阅读更多

我们可以使用 torch.nn.AvgPool2d() 模块对由多个输入平面组成的输入图像应用 2D 平均池化。2D 平均池化层的输入必须为 [N, C, H, W] 大小，其中 N 是批次大小，C 是通道数，H 和 W 是输入图像的高度和宽度。2D 平均池化操作的主要特征是过滤器或内核大小和步长。此模块支持 TensorFloat32。语法torch.nn.AvgPool2d(kernel_size)参数kernel_size – 要对其取平均值的窗口大小。除了此参数外，还有一些可选参数，例如... 阅读更多

在这个问题中，我们给定两个值 n 和一个素数 p。我们的任务是在模 p 下找到平方根。让我们举个例子来理解这个问题，输入：n = 4，p = 11 输出：9解决方案方法在这里，我们将使用 Tonelli-Shanks 算法。Tonelli-Shanks 算法用于模算术，用于求解形式为 x2 = n (mod p) 的值的 x。使用 Shanks 的 Tonelli 算法查找模平方根的算法 -步骤 1 - 查找 $(n^{((p-1)/2)})(mod\:p)$ 的值，如果其值为 p -1，则模平方根为... 阅读更多

在这个问题中，我们给定两个值 n 和一个素数 p。我们的任务是在模 p 下找到平方根（当 p 为 4*i + 3 形式时）。这里，p 的形式为 (4*i + 3)，即 p % 4 = 3，对于 i > 1 且 p 为素数。这里有一些数字，7、11、19、23、31...让我们举个例子来理解这个问题，输入：n = 3，p = 7 输出：解决方案方法解决该问题的一个简单方案是使用循环。我们将从 2 循环到 (p ... 阅读更多

torch.nn.ConstantPad2D() 使用常数值填充输入张量的边界。输入张量的大小必须为 3D 或 4D，分别为 (C, H, W) 或 (N, C, H, W) 格式。其中 N、C、H、W 分别表示小批量大小、通道数、高度和宽度。填充是在输入张量的高度和宽度上进行的。它以填充大小 (padding) 和常数值 (value) 作为参数。填充大小可以是整数或元组。所有边界的填充可以相同，也可以每个边界不同... 阅读更多

torch.nn.ZeroPad2D() 使用零填充输入张量的边界。它以填充大小 (padding) 作为参数。填充大小可以是整数或元组。所有边界的填充可以相同，也可以每个边界不同。填充可以是 (left, right, top, bottom) 格式的整数或元组。如果是整数，则所有边界的填充相同。填充张量的高度增加了 top+bottom，而填充张量的宽度增加了 left+right。它不会更改通道... 阅读更多

我们可以使用 torch.nn.MaxPool2d() 模块对由多个输入平面组成的输入图像应用 2D 最大池化。2D 最大池化层的输入必须为 [N, C, H, W] 大小，其中 N 是批次大小，C 是通道数，H 和 W 分别是输入图像的高度和宽度。最大池化操作的主要特征是过滤器或内核大小和步长。此模块支持 TensorFloat32。语法torch.nn.MaxPool2d(kernel_size)参数kernel_size – 要对其取最大值的窗口大小。除了此参数外，还有一些可选参数，例如... 阅读更多

我们可以使用 torch.nn.ConvTranspose2d() 模块对由多个输入平面组成的输入图像应用 2D 转置卷积操作。此模块可以看作是 Conv2d 关于其输入的梯度。2D 转置卷积层的输入必须为 [N, C, H, W] 大小，其中 N 是批次大小，C 是通道数，H 和 W 分别是输入图像的高度和宽度。通常，2D 转置卷积操作应用于图像张量。对于 RGB 图像，通道数为 3。主要特征... 阅读更多