-
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... -
100-Days-Of-ML-Code
100-Days-Of-ML-Code 介绍 第一天 | 数据处理 第二天 | 简单线性规划 使用单一特征来预测因变量 找到最佳的拟合线 1、数据预处理 2、训练简单线性回归模型 3、预测结果 4、可视化 第三天 | 多元线性回归 前提 注意 虚(拟)变量 虚拟变量圈套 1、数据预处理 2、训练模型 3、预测结果 ... -
多进程最佳实践
多进程最佳实践 一、CUDA 张量的共享 1、避免和防止死锁 2、重用通过队列发送的缓冲区 3、异步多进程训练（如： Hogwild） 4、Hogwild 译者署名 多进程最佳实践 CUDA 张量的共享 最佳实践和技巧 避免和防止死锁 重用通过队列发送的缓冲区 异步多进程训练 hogwild torch.multipro... -
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... -
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 ... -
Multi-GPU examples
Multi-GPU examples DataParallel Part of the model on CPU and part on the GPU Multi-GPU examples 译者：@unknown 校对者：@bringtree 数据并行是指当我们将 mini-batch 的样本分成更小的 mini-batches, 并... -
数据建模-数据集加载
数据建模-数据集加载 undefined数据建模-数据集加载 undefined利用Open CV2 读取、加载数据集 undefined零、准备 undefined一、加载 【包含"深度学习模型加载自定义数据集的典型步骤"】 undefined二、设置 undefined三、划分 数据建模-数据集加载 undefined数据建模-... -
神经网络
神经网络 定义网络 损失函数 反向传播 更新权重 神经网络 译者：@小王子 校对者：@李子文 神经网络可以使用 torch.nn 包构建. autograd 实现了反向传播功能, 但是直接用来写深度学习的代码在很多情况下还是稍显复杂, torch.nn 是专门为神经网络设计的模块化接口. nn 构建于 Autograd ... -
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... -
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...
