我們可以使用 torch.nn.MaxPool2d() 模組對由多個輸入平面組成的輸入影像應用 2D 最大池化。2D 最大池化層的輸入必須為 [N, C, H, W] 大小，其中 N 是批大小，C 是通道數，H 和 W 分別是輸入影像的高度和寬度。最大池化操作的主要特徵是過濾器或核心大小和步幅。此模組支援 TensorFloat32。語法 torch.nn.MaxPool2d(kernel_size) 引數 kernel_size – 要在其上取最大值的視窗大小。除了此引數之外，還有一些可選引數... 閱讀更多

我們可以使用 torch.nn.ConvTranspose2d() 模組對由多個輸入平面組成的輸入影像應用 2D 轉置卷積操作。此模組可以看作是 Conv2d 相對於其輸入的梯度。2D 轉置卷積層的輸入必須為 [N, C, H, W] 大小，其中 N 是批大小，C 是通道數，H 和 W 分別是輸入影像的高度和寬度。通常，2D 轉置卷積操作應用於影像張量。對於 RGB 影像，通道數為 3。主要特徵... 閱讀更多

我們可以使用 torch.nn.Conv2d() 模組對由多個輸入平面組成的輸入影像應用 2D 卷積操作。它在卷積神經網路 (CNN) 中實現為一層。2D 卷積層的輸入必須為 [N, C, H, W] 大小，其中 N 是批大小，C 是通道數，H 和 W 是輸入張量的高度和寬度。通常，2D 卷積操作應用於影像張量。對於 RGB 影像，通道數為 3。卷積操作的主要特徵是... 閱讀更多

我們可以使用 torch.nn.Linear() 模組對輸入資料應用線性變換。它支援 TensorFloat32 型別的輸入資料。這在深度神經網路中作為一層應用以執行線性變換。使用的線性變換 - y = x * W ^ T + b 其中 x 是輸入資料，y 是線性變換後的輸出資料。W 是權重矩陣，b 是偏差。權重 W 的形狀為 (out_features, in_features)，偏差 b 的形狀為 (out_features)。它們是隨機初始化的，並在神經網路訓練期間更新。語法 torch.nn.Linear(in_features, out_features) 引數 in_features - 它... 閱讀更多

時間資料可以表示為 1D 張量，空間資料可以表示為 2D 張量，而體積資料可以表示為 3D 張量。torch.nn 模組提供的 Upsample 類支援對這些型別的資料進行上取樣。但是這些資料必須採用 N ☓ C ☓ D（可選）☓ H（可選）☓ W（可選）的形式，其中 N 是小批次大小，C 是通道數，D、H 和 W 分別是資料深度、高度和寬度。因此，要對時間資料 (1D) 進行上取樣，我們需要將其轉換為 3D ... 閱讀更多

影像的飽和度指的是顏色的強度。顏色的飽和度越高，它就越鮮豔。顏色的飽和度越低，它就越接近灰色。要調整影像的飽和度，我們應用 adjust_saturation()。它是 torchvision.transforms 模組提供的功能轉換之一。adjust_saturation() 轉換接受 PIL 和張量影像。張量影像是一個形狀為 [C, H, W] 的 PyTorch 張量，其中 C 是通道數，H 是影像高度，W 是影像寬度。此轉換還接受批... 閱讀更多

可以透過使用 torch.flatten() 方法重塑將張量展平為一維張量。此方法支援實值和復值輸入張量。它以 torch 張量作為輸入，並返回展平為一維的 torch 張量。它接受兩個可選引數，start_dim 和 end_dim。如果傳遞了這些引數，則僅展平從 start_dim 開始到 end_dim 結束的那些維度。輸入張量中元素的順序不會改變。此函式可能會返回原始物件、檢視或副本。在以下示例中，我們涵蓋了展平張量的所有方面... 閱讀更多

要計算輸入和目標（預測和實際）值之間的交叉熵損失，我們應用 CrossEntropyLoss() 函式。它可以從 torch.nn 模組訪問。它建立一個度量交叉熵損失的標準。它是 torch.nn 模組提供的損失函式的一種型別。損失函式用於透過最小化損失來最佳化深度神經網路。CrossEntropyLoss() 在訓練多類分類問題中非常有用。預計輸入將包含每個類的非標準化分數。目標張量可能包含範圍為 [0, C-1] 的類索引，其中 C 是... 閱讀更多

均方誤差計算為輸入和目標（預測和實際）值之間平方差的平均值。要在 PyTorch 中計算均方誤差，我們應用 torch.nn 模組提供的 MSELoss() 函式。它建立一個度量均方誤差的標準。它也稱為平方 L2 範數。實際值和預測值都是具有相同元素數量的 torch 張量。這兩個張量可以具有任意數量的維度。此函式返回標量值的張量。它是 torch.nn 提供的損失函式的一種型別... 閱讀更多

PyTorch 中的向量是 1D 張量。要計算兩個向量之間的成對距離，我們可以使用 PairwiseDistance() 函式。它使用 p 範數來計算成對距離。PairwiseDistance 基本上是 torch.nn 模組提供的類。兩個向量的尺寸必須相同。可以對實值和復值輸入計算成對距離。向量必須採用 [N, D] 形狀，其中 N 是批維度，D 是向量維度。語法 torch.nn.PairwiseDistance(p=2) 預設 p 設定為 2。步驟您可以使用以下步驟計算兩個向量之間的成對距離匯入所需的庫。在所有... 閱讀更多