-
多进程最佳实践
多进程最佳实践 共享CUDA张量 最佳实践和提示 避免和抵制死锁 重用经过队列的缓冲区 异步多进程训练(例如Hogwild） Hogwild 多进程最佳实践 torch.multiprocessing 是Pythonmultiprocessing 的替代品。它支持完全相同的操作，但扩展了它以便通过multiprocessing.Queue ... -
06 AIGC模型产品之间的竞争
06 AIGC模型产品之间的竞争 06 AIGC模型产品之间的竞争 AIGC领域的模型之间存在一定的竞争。这是因为不同的AIGC模型都在努力成为最优解，以期占据更大的市场份额。 竞争的主要方式是通过改进模型的准确性和效率，以及提供更丰富的功能和特性。同时，不同的AIGC模型也在不断地拓展新的应用领域，以满足不同行业需求，如表6-1所示。 下面以AI... -
数据加载和处理教程
数据加载和处理教程 Dataset类 Transforms Compose transforms 迭代整个数据集 后记: torchvision 数据加载和处理教程 译者：@distant1219 校对者：@bringtree 作者 : Sasank Chilamkurthy 在解决机器学习问题时, 我们需要付出很多努力来准... -
针对NLP的Pytorch深度学习
针对NLP的Pytorch深度学习 针对NLP的Pytorch深度学习 译者：@JingTao 、@friedhelm739 作者 : Robert Guthrie 本教程将带你浏览基于Pytorch深度学习编程的核心思想.其中很多思想(例如计算图形抽象化以及自动求导) 并不是Pytorch特有的,他们和任何深度学习工具包都是相关的. ... -
01 ChatGPT的商业模式
01 ChatGPT的商业模式 01 ChatGPT的商业模式 2023年2月2日，OpenAI发布ChatGPT试点订阅计划—ChatGPT Plus，每月20美元，如下图所示。 免费账户和收费账户的具体差别如下图所示。 说明： Query Limit：每天可询问的问题数量限制 Response Time：回答询问的速度 Quali... -
自动求导机制
自动求导机制 向后排除子视图： requires_grad autograd 如何编码历史信息： Variable 上的 In-place 操作： In-place 正确性检测： 译者署名 自动求导机制 从后向中排除子图 requires_grad volatile 自动求导如何编码历史信息 Variable 上的 In-pl... -
05 AIGC的模型发展
05 AIGC的模型发展 05 AIGC的模型发展 AIGC的模型通过学习已有数据的特征，利用随机数生成、概率预测等方式来生成新的内容。AIGC的模型发展可以说是一个漫长且不断进化的过程。下页上图所示是AIGC的模型发展过程中一些重要的里程碑。 AIGC的模型一直在不断升级，有以下几种主要的模型。 生成对抗网络（GAN）：这是一种对抗生成模型，由生... -
十二、逻辑回归
十二、逻辑回归 C 超参数快速调优 在逻辑回归中处理不平衡类别 逻辑回归 大量数据上的逻辑回归 带有 L1 正则化的逻辑回归 OVR 逻辑回归 十二、逻辑回归 作者：Chris Albon 译者：飞龙 协议：CC BY-NC-SA 4.0 C 超参数快速调优 有时，学习算法的特征使我们能够比蛮力或随机模型搜索方法更快地搜索... -
torch.onnx
torch.onnx 示例:从Pytorch到Caffe2的端对端AlexNet模型 局限 支持的运算符 Functions torch.onnx 译者：@Haofan Wang 校对者：@aleczhang torch.onnx 模块可以将模型导出成 ONNX IR 形式.被导出的模型可以通过 ONNX 库被重新导入, 然后转化... -
自动求导机制
自动求导机制 从后向中排除子图 requires_grad volatile 自动求导如何编码历史信息 Variable上的In-place操作 In-place正确性检查 自动求导机制 本说明将概述Autograd如何工作并记录操作。了解这些并不是绝对必要的，但我们建议您熟悉它，因为它将帮助您编写更高效，更简洁的程序，并可帮助您进行调...
