-
自动求导机制
自动求导机制 反向排除 subgraphs (子图) requires_grad volatile autograd (自动求导) 如何编码 history (历史信息) 变量上的 In-place Operations (就地操作) In-place Operations (就地操作) 的正确性检查 自动求导机制 译者： @那伊抹微... -
CUDA 语义
CUDA 语义 内存管理 最佳实践 设备无关代码 使用固定的内存缓冲区 使用 nn.DataParallel 替代 multiprocessing CUDA 语义 译者：@Chris 校对者：@Twinkle torch.cuda 被用于设置和运行 CUDA 操作. 它会记录当前选择的 GPU, 并且分配的所有 CUDA 张... -
扩展 PyTorch
扩展 PyTorch 扩展 torch.autograd 扩展 torch.nn 增加一个Module 。 编写自定义的 C 扩展 译者署名 扩展 PyTorch 扩展 torch.autograd 扩展 torch.nn 增加 Module 编写自定义 C 扩展 本篇文章中包含如何扩展torch.nn ，torch.auto... -
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... -
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... -
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... -
torch.Tensor
torch.Tensor abs() abs_() acos() acos_() add(value) add_(value) addbmm(beta=1, mat, alpha=1, batch1, batch2) addbmm_(beta=1, mat, alpha=1, batch1, batch2) addcdiv(value=1, ... -
7.2.1 类的定义
7.2.1 类的定义 7.2.1 类的定义 利用 OOP 来解决问题时，首要任务是确定该问题涉及哪些对象，每种对象分别具有什 么数据和操作。类就是对这些信息的表达。类的创建，体现了面向对象的诸多思想和方法， 本节对此进行详细介绍。 抽象 人们在认识客观世界时，经常采用抽象方法来对客观世界的众多事物进行归纳、分类。 抽象就是忽略事物中与当前目标无关的... -
9.3.4 Python 多线程编程
9.3.4 Python 多线程编程 9.3.4 Python 多线程编程 很多编程语言都支持多线程编程，Python 语言亦然。与其他编程语言相比，Python 的 多线程编程是非常简单的。 Python 提供了两个支持线程的模块，一个是较老的 thread 模块，另一个是较新的 threading 模块。其中 threading 采用了面向对象实... -
Multiprocessing package - torch.multiprocessing
Multiprocessing package - torch.multiprocessing 管理策略 共享 CUDA 张量 共享策略 File descriptor - file_descriptor File system - file_system Multiprocessing package - torch.multiproc...
