今天在使用pytorch進(jìn)行訓(xùn)練，在運(yùn)行 loss.backward() 誤差反向傳播時(shí)出錯(cuò) ：RuntimeError: grad can be implicitly created only for scalar outputs。那么在loss反向傳播是出錯(cuò)要怎么辦呢？今天小編就帶來了相應(yīng)的解決方案，希望能對(duì)小伙伴有所幫助。

有時(shí)候我們需要將自己寫的代碼打包成exe文件，給別人使用。這時(shí)候我們要怎么辦呢？以下將講解Python代碼如何打包成exe可執(zhí)行文件。

機(jī)器學(xué)習(xí)的經(jīng)典案例就是鳶尾花分類，這個(gè)分類可以使用很多優(yōu)秀的機(jī)器學(xué)習(xí)算法去進(jìn)行分類。今天我們介紹一種分類算法——bp神經(jīng)網(wǎng)絡(luò)。通過TensorFlow進(jìn)行實(shí)現(xiàn)，接下來就讓我們開始學(xué)習(xí)這個(gè)分類算法吧。

pytorch更新完后Variable與Tensor合并了?，F(xiàn)在torch.Tensor()能像Variable一樣進(jìn)行反向傳播的更新，返回值為Tensor，Variable自動(dòng)創(chuàng)建tensor，且返回值為Tensor，（所以以后不需要再用Variable）。Tensor創(chuàng)建后,默認(rèn)requires_grad=Flase，可以通過xxx.requires_grad_()將默認(rèn)的Flase修改為True。來看看官方文檔是怎么介紹的吧。

由于在模型訓(xùn)練的過程中存在大量的隨機(jī)操作，使得對(duì)于同一份代碼，重復(fù)運(yùn)行后得到的結(jié)果不一致。因此，為了得到可重復(fù)的實(shí)驗(yàn)結(jié)果，我們需要對(duì)隨機(jī)數(shù)生成器設(shè)置一個(gè)固定的種子。這樣我們就得到了結(jié)果可復(fù)現(xiàn)的隨機(jī)數(shù)種子。

我們都知道Django rest framework這個(gè)庫，默認(rèn)只支持批量查看，不支持批量更新（局部或整體）和批量刪除。下面我們來討論這個(gè)問題，看看如何實(shí)現(xiàn)批量更新和刪除操作。

在圖論中求最短路徑的算法主要有三種，其中最具代表性的當(dāng)屬Dijkstra算法，那么Dijkstra算法算法要如何在python中實(shí)現(xiàn)呢？今天小編就帶你來了解一下。

之前小編的一篇文章pytorch 計(jì)算圖以及backward，講了一些pytorch中基本的反向傳播，理清了梯度是如何計(jì)算以及下降的，建議先看懂那個(gè)，然后再看這個(gè)。

運(yùn)算符重載是一種賦予運(yùn)算符新的功能的方法。在python中也可以進(jìn)行運(yùn)算符的重載。接下來就讓我們來看看python怎么進(jìn)行運(yùn)算符重載吧。

在使用pytorch的過程中，一款好用的可視化工具是必不可少的，TensorBoard就是這樣一款強(qiáng)大的神經(jīng)網(wǎng)絡(luò)可視化工具。那么這個(gè)工具要如何使用呢？請(qǐng)看小編接下來的介紹：