函数作用 torch.ge(a,b)比较a，b的大小，a为张量，b可以为和a相同形状的张量，也可以为一个常数。 代码示例>>> import torch>>> a=torch.Tensor([[1,2,3],[4,5,6]])>>> atensor([[1., 2., 3.], [4., 5., 6.]]......
PyTorch - torch.eq、torch.ne、torch.gt、torch.lt、torch.ge、torch.le
torch.mean(input) 输出input 各个元素的的均值，不指定任何参数就是所有元素的算术平均值，指定参数可以计算每一行或者 每一列的算术平均数
requires_grad=True 要求计算梯度 requires_grad=False 不要求计算梯度 with torch.no_grad()或者@torch.no_grad()中的数据不需要计算梯度，也不会进行反向传播 model.eval() ......
在神经网络中，参数默认是进行随机初始化的。如果不设置的话每次训练时的初始化都是随机的，导致结果不确定。如果设置初始化，则每次初始化都是固定的。...
可以看出torch.isnan()是用来判断输入的张量是否为空的函数，当输入为空是，返回True。
torch.div(a, b) ,a和b的尺寸是广播一致的，而且a和b必须是类型一致的，就是如果a是FloatTensor那么b也必须是FloatTensor，可以使用tensor.to(torch.float64)进行转换。...
torch.zeros_like:生成和括号内变量维度维度一致的全是零的内容。import torcha = torch.rand(5,1)print(a)n=torch.zeros_like(a)print('n=',n)tensor([[0.9653], [0.5581], ......
为什么我们要控制梯度流？这个答案有很多个，但是都可以归结为避免不需要更新的模型模块被参数更新。 我们在深度模型训练过程中，很可能存在多个loss，比如GAN对抗生成网络，存在G_loss和D_loss，通常来说，我们通过D_loss只希望更...
程序主要通过深度学习实现一个分类任务。编程与debug过程全部在windows10系统，Pycharm2018v1.4的IDE下完成，主要框架为pytorch 1.2.0。复现过程中采用了交叉熵损失函数计算Loss。训练过程中输出信息如下：...
