1.requires_grad，grad_fn，grad的含义及使用requires_grad:如果需要为张量计算梯度，则为True，否则为False。我们使用pytorch创建tensor时，可以指定requires_grad为True（默认为False）grad_fn：grad_fn用来记录变量是怎么来的，方便计算梯度，y=x*3,grad_fn记录了y由x计算的过程。grad：当执行完了backward()之后，通过x.grad查看x的梯度值。2.python:torch.no_grad()的作用说法1：包装器“withtorch.no_grad（）”将所有require_grad标志临

每个华硕天选安装的时候都会给你们备份一个ASUS.SWM的格式在备份盘里面想重新分区的拷备到U盘里面放着分区格式化的可以在我这里下载没分区格式化的就直接进PE在PE下的找到Dism++（PE下一般都会有这个软件的没有的请在提前下载放U盘在PE下也可以使用的）进行系统还原 点还原。再选中你的ASUS.SWM的文件指定你的系统盘符 让他释放完差不多几分种完成然后抽U盘 让他走完就完右了 阿里云盘分享  

Pytorch安装过很多遍（自己的老电脑，实验室的电脑，实验室换的新电脑，服务器的……）不同的显卡不同的服务器……遇到过很多坑都解决过，本以为Pytorch配置环境的坑已经被我踩完了。今天又遇到了这种情况：Pycharm提示是没有名称为torch的模块，当然不能运行也不能调试。 以为版本安装出问题了，检查了一下Pycharm的解释器，没有选错，明明有Pytorch我又从终端通过 condalist 命令查看已安装的包： 发现Pytorch也是在的。 那就奇怪了，为什么编译器找不到呢？这时候还没反应过来答案就在问题里。于是我去搜索引擎和论坛逛了一大圈，发现没有一个人遇到过这种情况，大家报错的情况

分类目录：《深入浅出Pytorch函数》总目录相关文章：·深入浅出TensorFlow2函数——tf.exp·深入浅出TensorFlow2函数——tf.math.exp·深入浅出Pytorch函数——torch.exp·深入浅出PaddlePaddle函数——paddle.exp对输入input逐元素进行以自然数eee为底指数运算。语法torch.exp(input,*,out=None)→Tensor参数input：[Tensor]输入的向量。out：[可选，Tensor]输出的向量。返回值与x维度相同、数据类型相同的Tensor。实例importpaddle>>>torch.exp(to

缓存不够！！！！并非内存容量不够错误提示：torch.cuda.0utofMemoryError:CUDAoutofmemory.Triedtoallocate2.00MiB(PU0;23.69GiBtotalcapacity;237BiBalreadyallocated;18.38MiBfre;2.50GiBreservedintotalbyPyTorch)Ifreservedmemoryis>>allocatedmemorytrysettingmax_split_size_mbtoavoidfragmentation.SeedocumentationforMemoryManagementa

Pytorch警告记录：UserWarning:Usingatargetsize(torch.Size([]))thatisdifferenttotheinputsize(torch.Size([1]))我代码中造成警告的语句是：value_loss=F.mse_loss(predicted_value,td_value)#predicted_value是预测值，td_value是目标值，用MSE函数计算误差原因：mse_loss损失函数的两个输入Tensor的shape不一致。经过reshape或者一些矩阵运算以后使得shape一致，不再出现警告了。

torch最新的stable版本是1.13.0，奈何官网也没有说对应的torchvision版本是啥，如果想要whl下载的话，就非常麻烦。结论：torch==1.13.0对应torchvision==0.14.0推导过程如下：首先看官网的“previousversion”：可以看到torch==1.12.1对应torchvision==0.13.1，而torch和torchvision是同步更新release的，所以他们的小版本号肯定是一一对应的。换句话说，torch==1.12.0对应torchvision==0.13.0。具体可以参考：pypi-torchvision。顺着这个思路，tor

torch.sigmoid()、torch.softmax()、sum1、torch.sigmoid()对每个元素进行处理（函数为)举例：A=torch.Tensor([1,2,3])#一维B=torch.sigmoid(A)print(B)A=torch.Tensor([[1,2,3],[1,2,3]])#二维B=torch.sigmoid(A)print(B)2、torch.softmax()公式：二维情况下，dim=1时，对行进行计算A=torch.Tensor([[1,1],[1,1],[1,3]])B=torch.softmax(A,dim=1)#对行进行softmaxprint(B

【设置gpu设备】os.environ[‘CUDA_VISIBLE_DEVICES‘]和torch.cuda.set_device()文章目录【设置gpu设备】os.environ[‘CUDA_VISIBLE_DEVICES‘]和torch.cuda.set_device()1.介绍2.方法2.1方法1：os.environ[‘CUDA_VISIBLE_DEVICES‘]（推荐）2.2方法2：torch.cuda.set_device(0)2.3说明3.参考1.介绍官方文档：当使用PyTorch进行深度学习训练时，通常需要使用CUDA加速计算。在使用PyTorch进行训练之前，需要确保已经正确

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