Pytorch：“float”和“function”的实例之间不支持“<=”
PyTorch是一个开源的机器学习框架，它提供了丰富的工具和库，用于构建和训练深度学习模型。在PyTorch中，"float"和"function"是两种不同的数据类型，因此它们之间不支持"<="操作符。
- "float"是浮点数数据类型，用于表示实数。在深度学习中，浮点数常用于表示模型的权重、偏置和输入数据等。
- "function"是函数数据类型，用于表示可调用的对象。在PyTorch中，函数可以是预定义的操作，也可以是用户自定义的函数。
由于"float"和"function"是不同的数据类型，它们之间没有定义"<=
相关·内容
我有一个由模块组合组成的深度神经网络，如编码器、解码器等。在训练之前，我从预先训练的模型中加载其参数的一部分，仅用于模块的子集。例如，我可以加载一个预先训练好的编码器。然后，我想冻结预训练模块的参数，这样它们就不会与其他模块一起训练。在Pytorch中：
for param in submodel.parameters()
param.requires_grad = False
现在，我应该在学习期间继续对这些冻结的模块应用dropout，还是应该停用它(参见下面的示例)？为什么？
def MyModel(nn.Module):
...
def forward(x):
浏览 7提问于2020-07-29得票数 1
SQLAlchemy有三种主要的浮点数类型：Float、FLOAT和REAL。它们之间的语义区别是什么？有什么东西能一致地映射到32位和64位的浮点数在不同方言之间吗？
浏览 3提问于2014-06-26得票数 5
3回答
我的问题可分为两部分。
是否有可以通过不同库使用的机器学习模型文件的格式？例如，我保存了一个模型，然后使用tensorflow加载它？
如果没有，是否有一个库可以帮助传输格式，以便可以在keras中直接使用py手电筒机器学习模型？
我问这个问题的原因是，最近我需要调整我以前在tensorflow的一些受过训练的模型。
这个问题的更新： Facebook和微软将推出一个名为ONNX的模型标准，该标准用于在不同的框架之间传输模型，例如在Pytorch到Caffe2之间。链接如下：
对此问题的进一步更新： Tensorflow本身使用协议缓冲区格式存储模型文件，该文件可用于不同模型
浏览 12提问于2017-06-01得票数 1
回答已采纳
2回答
问题更多的是DNN的训练算法，而不是软件内核。
据我所知，深层神经网络是由于训练算法的改进而工作的。从20世纪80年代开始，BP算法已被用于神经网络的训练，但当网络深度较大时，会出现过拟合问题。大约10年前，Hinton对该算法进行了改进，首先使用未标记数据对网络进行预训练，然后再使用BP算法。预训练对避免过拟合起着重要作用.
然而，当我开始尝试Keras时，使用SGD算法的mnist DNN的示例(在下面)并没有提到预训练过程，从而获得了非常高的预测精度。所以，我开始想知道训练前去哪里了？我是否错误地理解了深度学习训练算法(我认为经典的BP算法与SGD算法几乎相同)？还是一种新的训练技术取代
浏览 4提问于2016-05-16得票数 5
回答已采纳
2回答
我正在努力理解YOLO (v2)是如何被训练的。为此，我使用这个keras实现从零开始在VOC上训练YOLO (我对其他实现开放，但我从未使用过pytorch，因此，keras实现将是首选)。
1-正如我所理解的，YOLO首先用于在imageNet上进行分类，然后这些经过训练的权重(用于分类)应该在训练yolo进行回归(检测边界框)时使用。在我在互联网上找到的用来从零开始训练yolo的大部分代码(用于回归)中，我没有看到这些分类权重被加载的部分。这是什么时候发生的？什么时候分类权重被用来训练yolo回归？
我的理解是正确的吗？
提前感谢
浏览 5提问于2020-03-27得票数 2
回答已采纳
1回答
我是Pytorch的新手。我的问题是:如何将迁移学习应用于自定义数据集？我正在做脑瘤的图像分割。我可以找到使用U-net结构的示例，但我找不到使用U-net图像分割的预训练模型的权重的示例？
浏览 1提问于2020-07-18得票数 0
最近我做了一些关于固定精度和浮点类型的实验。我发现一个讨厌的双，是我不能看到所有数字的浮动和实际类型。我试着投十进制(30，20)，但这给了我很多小数(精确)小数。我的猜测是，内部强制转换为浮动(53)，然后转换为十进制(30，20)。我问自己这到底是怎么回事？
下面的说明了这个问题：
DECLARE @r real, @f float
SET @r= 15.49
SET @f= 15.49
SELECT
@r AS 'Real',
CAST(@r as DECIMAL(30,20)) AS 'Real as Decimal',
@f
浏览 10提问于2015-09-12得票数 0
2回答
在TSQL类型中(MSSQL)：real、float和decimal；哪种类型会导致更快的比较？
decimal会使用硬FPU计算，还是纯粹在软件中使用？
浏览 4提问于2012-04-06得票数 3
回答已采纳
我使用的是，一个张力流am的包装器。我想在浏览器中训练一个神经网络，下载权重，在pyTorch中将它们作为张量处理，然后将它们加载到浏览器的tensorflowjs模型中。如何在这些格式( tfjs <-> pytorch )之间进行转换
浏览器模型有一个save()函数，它生成三个文件。特定于ml5.js (json)的元数据文件、描述模型体系结构(json)的拓扑文件和二进制权重文件(bin)。
// Browser
model.save()
// HTTP/Download
model_meta.json (needed by ml5.js)
model.json
浏览 8提问于2020-12-18得票数 3
回答已采纳
我目前正在使用fast.ai来训练图像分类器模型。
data = ImageDataBunch.single_from_classes(path, classes, ds_tfms=get_transforms(), size=224).normalize(imagenet_stats)
learner = cnn_learner(data, models.resnet34)
learner.model.load_state_dict(
torch.load('stage-2.pth', map_location="cpu")
)
其结果是：
文件&
浏览 3提问于2019-03-07得票数 1
回答已采纳
2回答
我只是试着用预先训练过的vgg16在Keras中做这样的预测。
from scipy import ndimage
from keras.preprocessing import image
from keras.applications.vgg16 import preprocess_input
im = scipy.misc.imread("cat_dog/validation/cats/cat.1362.jpg").astype(np.float32)
im = scipy.misc.imresize(im, (224, 224)).astype(np.float32)
浏览 0提问于2018-02-24得票数 6
3回答
在ImageNet ClassifiNeural with Deep Convolutional Neural等论文中
训练方法似乎是随机梯度下降的基本反向传播。
尽管CNN是深度神经网络的一部分，但这纯粹是因为存在大量的隐藏层吗？这是否意味着这里的后盾属于深度学习类别，因为网络是深度的，即使它不遵循与使用贪婪层明智训练(一种真正的深度学习技术)的DBN相同的模式？
谢谢你的帮助和建议。
浏览 2提问于2014-04-19得票数 4
我正在尝试用修改后的输入通道数加载vgg19网络。输入通道的数量是4，这是我的情况，我也将分类器更改为我自己的分类器。我还从网络中删除了自适应平均池化层。我应该如何将预先训练好的权重加载到我的PyTorch模型的修改版本中？ 假设我的模型的修改版本在变量myModel中。我如何将vgg19的预训练权重加载到相同的？
浏览 170提问于2019-12-14得票数 0
回答已采纳
2回答
对于PyTorch关于执行计算机视觉()的迁移学习的教程，我们可以看到比训练精度更高的验证精度。将相同的步骤应用于我自己的数据集，我看到了类似的结果。为什么会这样呢？这与ResNet 18的架构有关吗？
浏览 2提问于2019-11-17得票数 0
1回答
序列推理的深度学习
、、、、
我想使用深度学习技术来执行比隐马尔可夫模型(这是一个浅层模型)更好的推理任务。我想知道什么是最先进的深度学习模式来取代隐马尔可夫模型(HMM)？这套设备是半监督的。训练数据X(t)，Y(t)是一个时间序列，具有显著的时间相关性。此外，还有大量的未标记数据，即简单X(t)和没有Y(t)。在阅读了许多论文后，我缩小了以下模型->有条件限制的Boltzmann机器(Ilya论文)，并使用深度信念网络进行无监督的预训练(或使用变分自动编码器进行预训练)。我对这个领域非常陌生，我想知道这些技术是否已经过时了。
浏览 2提问于2017-05-09得票数 1
回答已采纳
预先训练好的模型，如vgg16、inception v3、mobilenet、resnet152等。请提供一些关于这方面的知识。为什么这个输入大小在不同的模型中不同？
vgg16 299*299 resnet 224*224初始v3 299*299移动网224*224
浏览 112提问于2018-09-16得票数 -5
我不仅要利用特征提取器预训练的权重，还要利用特征映射层的分类器/本地化预训练权重，使用tensorflow对象检测API ( tensorflow object Pre)对tensorflow对象检测模型(SSD)进行微调。当我的新模型与我用于微调检查点的预训练模型有不同数量的类时，TensorFlow对象检测API将如何处理分类权重张量？
当在像SSD这样的ML对象检测模型中微调预训练模型时，我不仅可以用预先训练的权重初始化特征提取器的权重，而且可以初始化特征地图的定位层权重和分类层权重，后者只选择选择的预训练类权重，这样我就可以减少模型最初能够识别的类数(例如，从90层MSCOCO类到这9
浏览 1提问于2018-03-20得票数 2
回答已采纳
1回答
我正在PyTorch中实现一篇基于计算机视觉的研究论文。我参考了论文，建立了模型结构。作者已将保存的权重以“GitHub”格式上传到.pth.tar上。我想在我的模型中加入相同的权重，这样我就可以跳过训练和优化部分，直接从神经网络得到输出。
这份报纸正在学习在黑暗中看东西。
模型结构如下：
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv1d(32, 12, 1)
.
.
def f
浏览 2提问于2020-07-20得票数 1
2回答
NN嵌入层
、、、、
一些神经网络库，如tensorflow和pytorch提供了嵌入层。在过去实现了word2vec之后，我理解了想要更低维度表示的原因。
然而，嵌入层似乎只是一个线性层。在所有其他条件相同的情况下，嵌入层难道不只是学习与等效线性层相同的权重吗？如果是这样，那么使用嵌入层的优点是什么？
在word2vec的情况下，低维表示可以用于其他任务(臭名昭著的国王/王后示例)。但是，如果您的嵌入层永远不会用于替代任务，那么它的目的是什么？
浏览 0提问于2018-05-31得票数 10
我正在尝试将tensorflow 1中保存的模型转换为tensorflow 2，我正在将代码迁移到tensorflow 2，作为高。但是，我想简单地将我的model_weights.ckpt更新为tensorflow 2。有些权数(Linear，Embdedding)的形状类似于tensorflow 2语法，但我很难从GRUCell中转换权重。
如何将GRUCell权重从compat.v1.nn.rnn_cell.GRUCell转换为keras.layers.GRUCell？
GRUCell有四个权重：
形状gru_cell/gates/kernel:0 of (S + H, 2 x H)
浏览 7提问于2020-11-16得票数 4
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
即时通信 IM
对象存储活动推荐
腾讯云开发者
