Pytorch之nn.Conv1d学习个人见解 一、官方文档(务必先耐心阅读) 官方文档:点击打开《CONV1D》 二、Conv1d个人见解 Conv1d类构成 class torch.nn.Conv1d(in_channels, out_channels, kernel_size,stride=1, padding=0, dilation=1, groups=1, bias=Tru
基于Pytorch的图卷积网络GCN实例应用及详解 一、图卷积网络GCN定义 图卷积网络GCN实际上就是特征提取器,只不过GCN的数据对象是图。图的结构一般来说是十分不规则,可以看作是多维的一种数据。GCN精妙地设计了一种从图数据中提取特征的方法,从而让我们可以使用这些特征去对图数据进行节点分类(node classification)、图分类(graph classification)、边预
基于Pytorch的PyTorch Geometric(PYG)库构造个人数据集 一、目的 PyTorch Geometric库中虽然已经包含自带的数据集如 Cora 等,但有时我们也需要用户个人数据创建自己的数据集进行一些数据研究。当然博主也建议大家若是第一次使用PyTorch Geometric库可以先使用其自带的数据集进行理解,再创建自己的数据集做到灵活运用。 二、前期准备和参考资料
Bert模型之unable to parse config.json as a URL or as a local path错误解决方案 一、点击下面的链接从Kaggle网站下载Bert模型权重文件,注意:下载之前需要在Kaggle网站注册账户和登录才能进行文件下载,下载需要五分钟左右,请耐心等候。 Kaggle官方网站:点击打开torch_bert_weights网站 二、下载完成
基于远程服务器安装配置Anaconda环境及创建python虚拟环境详细方案一、打开连接好自己的远程服务器(博主用的是MobaXterm软件,比较方便)。 二、查看选取Anaconda版本,点击下面链接打开清华大学开源软件镜像站看看自己需要的Anaconda版本,博主选取的是Anaconda3-5.3.1-Linux-x86_64.sh版本(注意:安装Anaconda前可以不安装Python
基于Windows下Anaconda创建python虚拟环境教程Anaconda是目前最流行的数据科学平台以及现代机器学习的基础。同时Anaconda 也是一个Python的发行版,专注于人工智能,天然适合科学计算,数据分析和机器学习,其包管理器是Conda 。Conda 是一个开源的包管理系统和环境管理系统,可在 Windows、macOS 和 Linux 上运行。 Conda 可快速安装、运行
CommandNotFoundError: Your shell has not been properly configured to use ‘conda activate’.简单解决方案(这种错误有时候突然出现,有时候自动消失,此所谓突然抽风) 一、错误的理解,首先对应错误的直接翻译如下,其实就是指令没找到,出现错误。 CommandNotFoundError: Your she
基于Pytorch运行中出现RuntimeError: Not compiled with CUDA support此类错误解决方案及基于Pytorch中安装torch_geometric可以命令模式安装方法 注意:每个python虚拟环境都是可以安装此环境独自需要的cuda版本等。 一、首先在python程序运行的过程中出现了“RuntimeError: Not compiled with
基于Pytorch查看本地或者远程服务器GPU及使用方法 一、查看GPU具体信息 nvidia-smi # 查看GPU型号等具体信息 二、基于Pytorch查看本地或者远程服务器GPU import torch print(torch.cuda.is_available() )# cuda是否可用 print(torch.cuda.device_count() )# gpu
基于Pytorch的图卷积网络GCN实例应用及详解3.0 基于Pytorch的图卷积网络GCN实例应用及详解3.0的实例应用依旧是图的二分类任务,数据训练预测模型框架没有变化,主要是数据集本身及其处理和重新构造及损失函数选择发生变化,其余部分发生细微变化。 一、前期基础(建议先阅读下面链接1.0版本的前期基础文章,也许有童鞋会问1.0直接到3.0,那2.0哪去了呢?博主曰:3.0-1.0=2.
思路:在远程服务器端先安装Anaconda,然后创建python虚拟环境,再根据需求在对应python虚拟环境安装Cuda和对应的Cudnn和paddlpaddle,然后连接Pycharm。 一、要实现基于远程服务器安装配置Anaconda环境及创建python虚拟环境,参考下面博主的文章操作。博主举例创建一个ogbg_hiv的python=3.6虚拟环境。 操作文章:点击打开《基于远程服务器
基于Pytorch使用GPU运行模型方法及注意事项 一、在基于pytorch深度学习进行模型训练和预测的时候,往往数据集比较大,而且模型也可能比较复杂,但如果直接训练调用CPU运行的话,计算运行速度很慢,因此使用GPU进行模型训练和预测是非常有必要的,可以大大提高实验效率。如果还没有配置好运行环境的博友们可以参考下面博主的文章。 1、点击打开《基于Windows中学习Deep Learning
积分
粉丝
勋章
TA还没有专栏噢
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信