-
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... -
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... -
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 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... -
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, ... -
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 ... -
Writing Distributed Applications with PyTorch
Writing Distributed Applications with PyTorch Setup Point-to-Point Communication Collective Communication Distributed Training Our Own Ring-Allreduce Advanced Topics Communica... -
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... -
张量
张量 张量初始化 张量属性 张量运算 Tensor与Numpy的转化" level="2">Tensor与Numpy的转化 张量 原文: https://pytorch.org/tutorials/beginner/blitz/tensor_tutorial.html#sphx-glr-beginner-blitz-tensor-tutor...
