先看看arctanarctan实际上是用来计算点(x，y)组成的向量，与x轴的弧度的，是tan的反函数，推导如下，α为弧度 y=arctan(x)其图像如下y为弧度，x为任意值，这里不是指上面的坐标x，y但这种弧度计算方式是有缺陷的，比如我想区分如下图A、B两点的弧度，如果AB弧度都是那么就无法区分开了，也就是虽然x,y有确定的唯一弧度，但同一个弧度会有两个刚好相反的向量指向，比如图中从原点到A和B的两条向量，不能唯一表示一个方向，这也就是atan2解决的东西 atan2作用：计算一组点计算点(x，y)组成的向量的弧度，该弧度是与x轴正方向的弧度（这是与传统arctan的唯一区别） t
文章目录前言一、先搞懂Torch中的tensor与Tensor二、torch.tensor()的用处及数据特点三、np.array()与torch.tensor()比较三、np.array()与torch.tensor()相互转换1.使用numpy()将Tensor转换成NumPy数组:2.使用from_numpy()将NumPy数组转换成Tensor:3.直接使用torch.tensor()将NumPy数组转换成Tensor:总结前言刚接触深度学习的同学，很多开源项目代码中，张量tensor与数组array都有使用，不清楚两者有什么区别，以及怎么使用，如何相互转换等。博主起初也有类似的疑惑，
Pytorch常见插值方式及优缺点1插值算法2Pytorch中能看到的插值方式3Nearest插值法3.1方法介绍3.2优缺点4Linear插值法4.1方法接受4.2优缺点5Bilinear插值法5.1方法介绍5.2优缺点6Bicubic插值法6.1方法介绍6.2优缺点7Trlinear插值法7.1方法介绍7.2优缺点8图片演示1插值算法插值指的是利用已知数据去预测未知数据，图像插值则是给定一个像素点，根据它周围像素点的信息来对该像素点的值进行预测。当我们调整图片尺寸或者对图片变形的时候常会用到图片插值。常见的插值算法可以分为两类：自适应和非自适应。自适应的方法可以根据插值的内容来改变（尖锐的
欢迎关注我的公众号[极智视界]，获取我的更多经验分享大家好，我是极智视界，本文来介绍一下torch与torchvision版本的对应关系。邀您加入我的知识星球「极智视界」，星球内有超多好玩的项目实战源码下载，链接：https://t.zsxq.com/0aiNxERDqpytorch可以说在深度学习中应该是非常广泛了，在安装pytorch的时候一般就要对应安装torchvision，有的同学可能会问，为什么已经安装了pytorch，还需要安装torchvision呢。答案是torchvision中含有一些充实pytorch能力的模块，比如数据集加载和预处理、图像变换和增广、模型仓库、图像工具函
torch池化操作1池化操作2类型2.1MaxPool2d()2.2MaxUnPool2d()2.3AvgPool2d()2.4FractionalMaxPool2d()2.5LPPool2d()2.6AdaptiveMaxPool2d()2.7AdaptiveAvgPool2d()3总结自我学习记录，他人转载请注明出处1池化操作作用：提取图片重点特征，减小图片尺寸大小，从而减少最后的输出数量，池化有不同类型，以下包含torch中针对图像的所有池化操作讲解。2类型2.1MaxPool2d()参数：torch.nn.MaxPool2d(kernel_size,stride=None,paddin
😄无聊整理下torch里的张量的各种乘法相关操作。文章目录0、简单提一下广播法则的定义：1、torch.mm()2、torch.bmm()3、torch.mul()和*4、torch.dot()5、torch.mv()6、@7、torch.matmul()0、简单提一下广播法则的定义：1、让所有输入张量都向其中shape最长的矩阵看齐，shape不足的部分在前面加1补齐。2、两个张量的维度要么在某一个维度一致，若不一致其中一个维度为1也可广播。否则不能广播。【如两个维度：(4,1,4)和(2,1)可以广播，因为他们不相等的维度其中一个为1就可以广播了。】1、torch.mm()-只适合于二维张
print(torch.cuda.is_available())返回false的解决办法1.问题简述今天给新电脑配置pytorch深度学习环境，最后调用python打印print(torch.cuda.is_available())一直出现false的情况（也就是说无法使用GPU），最后上网查找资料得出报错的原因：下载的pytorch是CPU版本，而非GPU版本。2.报错原因按照最开始的方法，在pytorch的官网上根据自己的cuda版本（笔者为cuda11.5）使用对应的指令在condaprompt中在线下载：condainstallpytorchtorchvisiontorchaudioc
Stablediffusion报TorchisnotabletouseGPU;add--skip-torch-cuda-testtoCOMMANDLINE_ARGSvariabletodisablethischeck错误及排查解决背景先说一下我的显卡配置3060Ti,当刚开始报这个错误的时候，发现基本上很多博主说的都是在launch.py或者webui-user.bat加一个参数--precisionfull--no-half--skip-torch-cuda-test,webui-user.bat是在setCOMMANDLINE_ARGS=后面加或者launch.py是在index_url=
Tensor的维度转置方法 在搭建神经网络的时候，经常会遇到需要交换维度的时候，比如将HWCN的Tensor维度顺序变换为NCHW顺序，此时需要用到Tensor的转置方法。 一般有以下三种方法：1、numpy.transpose 如果Tensor是由np.Array转换而来，那么可以在变量还是np.Array的时候先进行通道转置，此时可以使用np.transpose方法：>>>importnumpyasnp>>>aa=np.ndarray((1,3,3,4))>>>aa.shape(1,3,3,4)>>>aa.transpose((3,1,0,2)).shape(4,3,1,3)>
device_map以下内容参考HuggingfaceAccelerate文档：超大模型推理方法在HuggingFace中有个重要的关键字是device_map，它可以简单控制模型层部署在哪些硬件上。设置参数device_map="auto"，Accelerate会自动检测在哪个设备放置模型的哪层参数（自动根据你的硬件资源分配模型参数）。其规则如下：首先充分利用GPU上的显存资源如果GPU上资源不够了，那么就将权重存储到内存如果内存还不够用了，将会使用内存映射的技术，将剩余的参数存储到硬盘上设置参数no_split_module_classes=["GPTJBlock"]表示，模型中的GPTJ
