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幅。此模块支持 TensorFloat32。语法 torch.nn.MaxPool2d(kernel_size) 参数 kernel_size – 要在其上取最大值的窗口大小。除了此参数之外，还有一些可选参数... 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 相对于其输入的梯度。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

我们可以使用 torch.nn.Conv2d() 模块对由多个输入平面组成的输入图像应用 2D 卷积操作。它在卷积神经网络 (CNN) 中实现为一层。2D 卷积层的输入必须为 [N, C, H, W] 大小，其中 N 是批大小，C 是通道数，H 和 W 是输入张量的高度和宽度。通常，2D 卷积操作应用于图像张量。对于 RGB 图像，通道数为 3。卷积操作的主要特征是... 阅读更多

我们可以使用 torch.nn.Linear() 模块对输入数据应用线性变换。它支持 TensorFloat32 类型的输入数据。这在深度神经网络中作为一层应用以执行线性变换。使用的线性变换 - y = x * W ^ T + b 其中 x 是输入数据，y 是线性变换后的输出数据。W 是权重矩阵，b 是偏差。权重 W 的形状为 (out_features, in_features)，偏差 b 的形状为 (out_features)。它们是随机初始化的，并在神经网络训练期间更新。语法 torch.nn.Linear(in_features, out_features) 参数 in_features - 它... 阅读更多

时间数据可以表示为 1D 张量，空间数据可以表示为 2D 张量，而体积数据可以表示为 3D 张量。torch.nn 模块提供的 Upsample 类支持对这些类型的数据进行上采样。但是这些数据必须采用 N ☓ C ☓ D（可选）☓ H（可选）☓ W（可选）的形式，其中 N 是小批量大小，C 是通道数，D、H 和 W 分别是数据深度、高度和宽度。因此，要对时间数据 (1D) 进行上采样，我们需要将其转换为 3D ... 阅读更多

图像的饱和度指的是颜色的强度。颜色的饱和度越高，它就越鲜艳。颜色的饱和度越低，它就越接近灰色。要调整图像的饱和度，我们应用 adjust_saturation()。它是 torchvision.transforms 模块提供的功能转换之一。adjust_saturation() 转换接受 PIL 和张量图像。张量图像是一个形状为 [C, H, W] 的 PyTorch 张量，其中 C 是通道数，H 是图像高度，W 是图像宽度。此转换还接受批... 阅读更多

可以通过使用 torch.flatten() 方法重塑将张量展平为一维张量。此方法支持实值和复值输入张量。它以 torch 张量作为输入，并返回展平为一维的 torch 张量。它接受两个可选参数，start_dim 和 end_dim。如果传递了这些参数，则仅展平从 start_dim 开始到 end_dim 结束的那些维度。输入张量中元素的顺序不会改变。此函数可能会返回原始对象、视图或副本。在以下示例中，我们涵盖了展平张量的所有方面... 阅读更多

要计算输入和目标（预测和实际）值之间的交叉熵损失，我们应用 CrossEntropyLoss() 函数。它可以从 torch.nn 模块访问。它创建一个度量交叉熵损失的标准。它是 torch.nn 模块提供的损失函数的一种类型。损失函数用于通过最小化损失来优化深度神经网络。CrossEntropyLoss() 在训练多类分类问题中非常有用。预计输入将包含每个类的非标准化分数。目标张量可能包含范围为 [0, C-1] 的类索引，其中 C 是... 阅读更多

均方误差计算为输入和目标（预测和实际）值之间平方差的平均值。要在 PyTorch 中计算均方误差，我们应用 torch.nn 模块提供的 MSELoss() 函数。它创建一个度量均方误差的标准。它也称为平方 L2 范数。实际值和预测值都是具有相同元素数量的 torch 张量。这两个张量可以具有任意数量的维度。此函数返回标量值的张量。它是 torch.nn 提供的损失函数的一种类型... 阅读更多

PyTorch 中的向量是 1D 张量。要计算两个向量之间的成对距离，我们可以使用 PairwiseDistance() 函数。它使用 p 范数来计算成对距离。PairwiseDistance 基本上是 torch.nn 模块提供的类。两个向量的尺寸必须相同。可以对实值和复值输入计算成对距离。向量必须采用 [N, D] 形状，其中 N 是批维度，D 是向量维度。语法 torch.nn.PairwiseDistance(p=2) 默认 p 设置为 2。步骤您可以使用以下步骤计算两个向量之间的成对距离导入所需的库。在所有... 阅读更多