先解决下keras可视化安装graphviz的问题: 注意安装顺序: sudo pip3 install graphviz # python包 sudo apt-get install graphviz # 软件本身 sudo pip3 install pydot sudo pip3 install pydot-ng # 版本兼容需要,可选 1.  使用pytorchviz进行pytorch执行过程的可视化 sudo pip3 install git # 安装git sudo pip3 inst

PyTorch环境配置 本文档用于记录PyTorch环境配置过程中的要点. PyTorch环境配置 安装Miniconda 安装PyTorch 配置远程开发工具 基于CUDA的张量 导入警告问题 参考资料 安装Miniconda 下载Miniconda安装包:Miniconda3-latest-Linux-x86_64.sh 修改安装包的文件权限属性,使得Miniconda安装包能够执行:chmod u+x Miniconda3-latest-Linux-x86_64.sh 安装Minicond

前言:最近研究深度学习,安装了好多环境,记录一下,方便后续查阅. 1. Anaconda软件安装 1.1 Anaconda Anaconda是一个用于科学计算的Python发行版,支持Linux.Mac.Windows,包含了众多流行的科学计算.数据分析的Python包.请自行到官网下载安装,下载速度太慢的话可移步清华源. 官网:https://repo.anaconda.com/archive/ 清华源:https://mirrors.tuna.tsinghua.edu.cn/anaconda

深度学习框架 Torch 7 问题笔记 1. 尝试第一个 CNN 的 torch版本, 代码如下: -- We now have 5 steps left to do in training our first torch neural network -- 1. Load and normalize data -- 2. Define Neural Network -- 3. Define Loss function -- 4. Train network on training data -

转载请注明出处: http://www.cnblogs.com/darkknightzh/p/6065526.html 本部分多试几次就可以弄得清每一层具体怎么访问了. step1. 网络定义如下: require "dpnn" local net = nn.Sequential() net:add(nn.SpatialConvolution(, , , , , , , )) net:add(nn.SpatialBatchNormalization()) net:add(nn.ReLU

相关的代码都在Github上,请参见我的Github,https://github.com/lijingpeng/deep-learning-notes 敬请多多关注哈~~~ 在Docker中运行torch版的neural style TensorFlow neural-style, TensorFlow版本的实现比Torch版本的实现要慢很多,因此本文介绍如何运行torch版本的neural style.为了避免搭建环境时候解决各种烦人的依赖问题,这里依然使用Docker环境,Dockerfi

转载请注明出处: http://www.cnblogs.com/darkknightzh/p/5783006.html 之前使用的是torch,由于其他人在caffe上面预训练了inception模型,需要使用caffe的inception模型进行微调.然后网上搜了一下如何将caffe模型load到torch里面.有两种方式(可直接跳转到3查看): 1. https://github.com/szagoruyko/loadcaffe 该网址的不需要安装caffe.应该是根据.prototxt来强

torch.Tensor torch.Tensor是一种包含单一数据类型元素的多维矩阵. Torch定义了七种CPU tensor类型和八种GPU tensor类型: Data tyoe CPU tensor GPU tensor 32-bit floating point torch.FloatTensor torch.cuda.FloatTensor 64-bit floating point torch.DoubleTensor torch.cuda.DoubleTensor 16-bit

经常可以看到调用torch.view(-1,28*28)之类的调用,那么这里的-1是什么意思呢,经过查看文档view()得到了一下结果: view()返回的数据和传入的tensor一样,只是形状不同 -1在这里的意思是让电脑帮我们计算,比如下面的例子,总长度是20,我们不想自己算\(20/5=4\),就可以在不想算的位置放上-1,电脑就会自己计算对应的数字,这个在实际搭建网络的时候是很好用的 还要注意view()返回的tensor和传入的tensor共享内存,意思就是修改其中一个,数据都会变 i

tensor分为头信息区(Tensor)和存储区(Storage) 信息区主要保存着tensor的形状(size).步长(stride).数据类型(type)等信息,而真正的数据则保存成连续数组,存储在存储区 因为数据动辄成千上万,因此信息区元素占用内存较少,主要内存占用取决于tensor中元素的数目,即存储区的大小 一般来说,一个tensor有着与之相对应的storage,storage是在data之上封装的接口,便于使用 不同的tensor的头信息一般不同,但是可能使用相同的storage

import torch 通过 help((torch.cat)) 可以查看 cat 的用法 cat(seq,dim,out=None) 其中 seq表示要连接的两个序列,以元组的形式给出,例如:seq=(a,b), a,b 为两个可以连接的序列 dim 表示以哪个维度连接,dim=0, 横向连接 dim=1,纵向连接 #实例: #dim=0 时: import torch n_data = torch.ones((100,2)) x0_data = torch.normal(2*n_data,

系统配置: Ubuntu14.04(x64) CUDA8.0 cudnn-8.0-linux-x64-v5.1.tgz(Tensorflow依赖) Anaconda 1. Torch安装 Torch是深度学习一个非常好的框架,使用人也特别多,之前一直使用caffe进行实验,最近一个实验需要在Torch下面跑,所以借此机会安装一下torch. Torch的官方文档已经说的非常详细,安装可以直接按照官方文档进行,官方文档戳我. 首先从github中down下来torch,放在-/torch文件夹下面

1 安装Torch 本文介绍Torch7的安装方法,因为本人安装Torch前安装了caffe,所以可能CUDA.cudnn.Blas等Torch可能需要用来的库的安装就不再重复介绍了,相关依赖出现问题的的猿友可以参考史上最全的caffe安装过程. 1.1 安装luarock lua是通过luarock来进行软件包管理的,Torch7的接口是lua,因此需要先安装Lua,本人安装的是lua52,安装过程主要参考Torch官方文档. 1.2 参考官方文档遇到的问题 记录参考Torch官方文档安装To

下载地址       https://www.lfd.uci.edu/~gohlke/pythonlibs/ 另一个Python packages地址为    https://pypi.org/ 下载后使用pip install xxx.whl 安装即可 ---------------------------------------------------------------------------------- pip 是一个安装和管理 Python 包的工具 , 是 easy_insta

本文安装仅限 ubuntu 系统.官方文档见:Getting started with Torch. 0. 简介 Torch 使用轻量级脚本语言 Lua 及其 C/CUDA 扩展模块实现,底层数值计算通过高效的 OpenMP/SSE/CUDA 加速: 1. 安装 进入命令行终端,分别执行下面三行的代码, git clone https://github.com/torch/distro.git ~/torch --recursive cd ~/torch; bash install-deps;

近年来,深度学习框架如雨后春笋般的涌现出来,如TensorFlow.caffe.caffe2.PyTorch.Keras.Theano.Torch等,对于从事计算机视觉/机器学习/图像处理方面的研究者或者教育者提高了更高的要求.其中Pytorch是Torch的升级版,其有非常优秀的前端和灵活性,相比TensorFlow不用重复造轮子,易于Debug调试,极大的提高开发效率,使得其在其他框架中脱颖而出.更多信息参见:caffe2+Pytorch1.0 = Pytorch1.0,期待即将推出的1.0

pytorch 为了节省显存,在反向传播的过程中只针对计算图中的叶子结点(leaf variable)保留了梯度值(gradient).但对于开发者来说,有时我们希望探测某些中间变量(intermediate variable) 的梯度来验证我们的实现是否有误,这个过程就需要用到 tensor的register_hook接口.一段简单的示例代码如下,代码主要来自pytorch开发者的回答,笔者稍作修改使其更符合最新版的pytorch 语法(v1.2.0). grads = {} def save

为什么 torch.cuda.is_available() 是 False torch.cuda.is_available(),这个指令的作用是看,你电脑的 GPU 能否被 PyTorch 调用. 如果返回的结果是 False,可以按照以下过程进行排查. 1.确认你的 GPU,是否支持 CUDA(是否支持被 PyTorch 调用) 首先,确定你的显卡型号,是否是 NVIDIA 显卡.可以从 任务管理器 或者 设备管理器来查看显卡的型号. 之后,去 官网 看,如果其中有你的显卡型号,则说明你的显卡

如果你用的 Keras 或者 TensorFlow, 请移步 怎么查看keras 或者 tensorflow 正在使用的GPU In [1]: import torch In [2]: torch.cuda.current_device() Out[2]: 0 In [3]: torch.cuda.device(0) Out[3]: <torch.cuda.device at 0x7efce0b03be0> In [4]: torch.cuda.device_count() Out[4]: 1

其他:windows使用nvidia-smi查看gpu信息 为什么将数据转移至GPU的方法叫做.cuda而不是.gpu,就像将数据转移至CPU调用的方法是.cpu?这是因为GPU的编程接口采用CUDA,而目前并不是所有的GPU都支持CUDA,只有部分Nvidia的GPU才支持.PyTorch未来可能会支持AMD的GPU,而AMD GPU的编程接口采用OpenCL,因此PyTorch还预留着.cl方法,用于以后支持AMD等的GPU. torch.cuda.is_available()cuda是否可

torch中的copy()和clone() 1.torch中的copy()和clone() y = torch.Tensor(2,2):copy(x) ---1 修改y并不改变原来的x y = x:clone()1 修改y也不改变x y = x1 修改y这个时候就开始改变x了 注意,官网中Returns a clone of a tensor. The memory is copied.内存被复制,也即重新分配了一份内存个y,所以y改变x不改变,对于copy是一样的.copy允许复制的维度不一样