PyTorch
含有「PyTorch」共 9 篇內容
全部內容
發佈日期由新至舊
本文將介紹如何在NVIDIA Jetson 人工智慧平台上，利用PyTorch和CUDA實現反饋類神經網路的運算。探討如何將運算任務從 CPU 轉移到 GPU，包括數據搬移和網路訓練的步驟。內容涵蓋建立類神經網路、確認 CUDA裝置、有效地在GPU上進行訓練和運算，充分利用 GPU 的加速優勢。
本篇文章介紹如何使用 PyTorch 這個強大的工具程式庫來建立一個反饋類神經網路。從單變數的「墨西哥帽」模型學習，到設定類神經網路的結構和訓練方法，資料轉換、類神經網路創建以及訓練過程的步驟。此外，也分析訓練過程中的誤差趨勢，幫助理解模型性能，適合希望快速掌握 PyTorch 的人工智慧開發者。
PyTorch 是一個開源的 Python 機器學習庫，基於 Torch 庫，底層由 C++ 實現，應用於人工智慧領域，如電腦視覺和自然語言處理等。
PyTorch 2.4 引入了多項新功能和改進，包括支援 Python 3.12、AOTInductor 凍結功能、新的高階 Python 自訂運算
其實跟word2vec, skipgram都沒什麼關係
如果你跟我一樣是先看了transformers或者是至少word embeddings相關的papers才回去設法用pytorch來實作 一開始一定會非常非常困惑
會不知道這個 torch.nn.Embedding在搞什麼鬼
查了官方文件你可能
卷積神經網路（Convolutional Neural Networks，CNN），其應用包括影像辨識、自然語言處理（NLP）等領域。若能從其發展至今的脈絡開始了解，必定可以更進一步地理解專案的想法，將該技術掌握得更得心應手。以下就其發展和結構分別詳細說明。
1. LeNet
大部分處理影像的神經網路，例如簡單的神經網路、CNN、物件偵測、語義分割、臉部辨識等，都是以像素為輸入特徵，圖神經網路 (GNN) 則是以圖形理論 (Graph Theory) 為基礎，以向量作為輸入，內含節點 (Node) 及邊 (Edge)，如下圖，以圖形表達集團交叉持股的關係及持股比例。
要徹底了解深度學習，必須從數學/統計奠定基礎，從張量運算、偏微分、梯度下降優化求解，最後依據機率統計衡量模的效能指標，包括準確率 (Accuracy)、精確率 (Precision)、召回率 (Recall)，乃至於混淆矩陣 (Confusion Matrix)。
TensorFlow、PyTorch 是目前佔有率最高的深度學習框架，初學者常會問『應該選擇PyTorch或 TensorFlow套件』，依個人看法，PyTorch、TensorFlow好比倚天劍與屠龍刀，各有擅場，兩個套件的發展重點有所不同，例如在偵錯方面，PyTorch比較容易，但Tensor
目前深度學習是人工智慧領域中最熱門的研究領域，許多美國科技巨頭紛紛推出他們的深度學習架構，以期能夠在人工智慧的商業應用上，能夠給使用者最無縫的服務。在本篇文章中，會以開發者和 DevOps 的角度，來談論該如何選擇最適合公司以及個人需求的深度學習架構。
