报错定位到的位置是在：self.bias=self.bias.cuda()意为将把bias转到gpu上报错；网上查询了很多问题都没解决，受到这篇博客的启发；pytorch手动设置参数变量并转到cuda上_XiaoPangJix1的博客-CSDN博客原因可能是：bias是torch.nn.Parameter(),转移到cuda上失败，提示此报错；其实根本原因比较简单，就是在model定义的时候没有将model转移到cuda上，因此修改代码为如下即可：a=torch.Tensor(1,1,256,256)iftorch.cuda.is_available():a=a.cuda()EE_Block=

3d卷积过程举例输入：一个长度为7帧的RGB视频，单帧通道数为3，视频的宽高为60×40，1个视频故bs=1-->>(1,3,7,60,40)3d卷积：nn.Conv3d(3,5,(4,7,7),stride=1,padding=0)3代表输入特征图通道数，5代表输出特征图通道数，4和7分别代表3d卷积的通道数和宽高。（此外stride和padding也可以设定为(a,b,b)的形式，但为了简化说明仅设定空间维度的卷积步长为1，时间维度卷积步长默认为1）输出：(1,5,4,54,34)，帧数维度增加为4，通道数增加为5，宽高为54和343d卷积过程对应下图3d卷积中参数量为：7×7×4×3×5

文章目录前言一、nn.Upsample上采样二、nn.ConvTranspose2d转置卷积前言这次就不废话了，我想赶在10点前回去洗头（现在9.17，还差一篇文章）一、nn.Upsample上采样该函数有四个参数：参数的介绍如下：稍微翻译一下：参数：1）size（int或Tuple[int]或Tuple[int，int]或Tupple[int，int，int]，可选）：输出空间大小2）scale_factor（float或Tuple[floot]或Tuple[floot，float]或Tuple[floot、float、float]，可选）：空间大小的乘数。如果是元组，则必须匹配输入大小。3

文章目录前言一、nn.Upsample上采样二、nn.ConvTranspose2d转置卷积前言这次就不废话了，我想赶在10点前回去洗头（现在9.17，还差一篇文章）一、nn.Upsample上采样该函数有四个参数：参数的介绍如下：稍微翻译一下：参数：1）size（int或Tuple[int]或Tuple[int，int]或Tupple[int，int，int]，可选）：输出空间大小2）scale_factor（float或Tuple[floot]或Tuple[floot，float]或Tuple[floot、float、float]，可选）：空间大小的乘数。如果是元组，则必须匹配输入大小。3

torch.nn.Flatten(start_dim=1, end_dim=- 1)作用：将连续的维度范围展平为张量。经常在nn.Sequential()中出现，一般写在某个神经网络模型之后，用于对神经网络模型的输出进行处理，得到tensor类型的数据。 有俩个参数，start_dim和end_dim，分别表示开始的维度和终止的维度，默认值分别是1和-1，其中1表示第一维度，-1表示最后的维度。结合起来看意思就是从第一维度到最后一个维度全部给展平为张量。（注意：数据的维度是从0开始的，也就是存在第0维度，第一维度并不是真正意义上的第一个）同理，如果我这么写：self.flat=nn.Flatt

torch.nn.Flatten(start_dim=1, end_dim=- 1)作用：将连续的维度范围展平为张量。经常在nn.Sequential()中出现，一般写在某个神经网络模型之后，用于对神经网络模型的输出进行处理，得到tensor类型的数据。 有俩个参数，start_dim和end_dim，分别表示开始的维度和终止的维度，默认值分别是1和-1，其中1表示第一维度，-1表示最后的维度。结合起来看意思就是从第一维度到最后一个维度全部给展平为张量。（注意：数据的维度是从0开始的，也就是存在第0维度，第一维度并不是真正意义上的第一个）同理，如果我这么写：self.flat=nn.Flatt

nn.Parameter()是PyTorch中的一个类，用于创建可训练的参数（权重和偏置），这些参数会在模型训练过程中自动更新。nn.Parameter()具有以下特点：nn.Parameter()继承自torch.Tensor，因此它本质上也是一个张量（tensor），可以像普通张量一样进行各种张量操作，例如加法、乘法、索引等。nn.Parameter()具有额外的属性requires_grad，用于指定参数是否需要计算梯度。默认情况下，requires_grad的值为False，即参数不会计算梯度。当设置为True时，参数会在反向传播过程中计算梯度，并且可以通过优化器进行自动更新。nn.P

0.引言在学习SSD网络的时候发现源码里使用nn.Parameter()这个函数，故对其进行了解。1.官方文档先看一下官方的解释：PyTorch官方文档1.1语法torch.nn.parameter.Parameter(data=None,requires_grad=True)其中：data(Tensor)–parametertensor.——输入得是一个tensorrequires_grad(bool,optional)–iftheparameterrequiresgradient.SeeLocallydisablinggradientcomputationformoredetails.De

0.引言在学习SSD网络的时候发现源码里使用nn.Parameter()这个函数，故对其进行了解。1.官方文档先看一下官方的解释：PyTorch官方文档1.1语法torch.nn.parameter.Parameter(data=None,requires_grad=True)其中：data(Tensor)–parametertensor.——输入得是一个tensorrequires_grad(bool,optional)–iftheparameterrequiresgradient.SeeLocallydisablinggradientcomputationformoredetails.De

CV-计算机视觉|ML-机器学习|RL-强化学习|NLP自然语言处理我们提出了一种用于3D点云分析的非参数网络Point-NN，它由纯不可学习的组件组成：最远点采样(FPS)、k最近邻(k-NN)和池化操作，具有三角函数.令人惊讶的是，它在各种3D任务上表现良好，不需要参数或训练，甚至超过了现有的完全训练模型。从这个基本的非参数模型开始，我们提出了两个扩展。首先，Point-NN可以作为基础架构框架，通过简单地在顶部插入线性层来构建参数网络。鉴于优越的非参数基础，派生的Point-PN表现出高性能与效率的权衡，只有几个可学习的参数。其次，Point-NN可以被视为推理过程中已训练的3D模型的即