pytorch

如何获取pytorch的动态图？ model = torch.jit.load("test.pth") graph = model.graph.copy() torch._C._jit_pass_inline(graph) node_list = graph.nodes() 加载模型后，获取模型的graph，这个graph就是需要的动态图。graph node就是计算图的计算节点（有序）,关于各个层的相关参数都可以从node节点中获取，各个参数的相对位置需要查找一下该op的实现。 需要注意的是，需要使用 _jit_pass_inline来将graph的sub module展开。 如何获取pytorch的权重等参数？ 对于非量化模型： 可以通过named_parameters或者state_dict获取。 对于量化模型： 在一次次的尝试和接口的设置中终于找到了！！！ a = 0 for model_name, module in model.named_modules(): print(model_name) print(module) if a == 2: mod_c = module._c #print(mod_c.dump()) param = module.__getattr__('_packed_params') print(param) print(type(param)

史上最简单、实际、通俗易懂的PyTorch实战系列教程！（新手友好、小白请进、建议收藏） 基于3D卷积的视频分析与动作识别 一、3D卷积原理解读 视频就是一帧一帧的图像按照时间拼接组成的，3D卷积就是比2D的卷积多了个时间维度。 二、UCF 101动作识别数据集简介 UCF 101动作识别数据集官网地址下载： https://www.crcv.ucf.edu/data/UCF101.php 101类视频，每一类里面是一个人在做一类的动作，比如射击、画口红、画眼线等等，数据集有6.5G，我也上传了网盘供大家下载或者大家自己去数据集的官网下载。 UCF101数据集的操作类别为：涂抹眼妆，涂抹口红，射箭，婴儿爬行，平衡木，乐队游行，棒球场，篮球投篮，篮球扣篮，卧推，骑自行车，台球射击，吹干头发，吹蜡烛，体重蹲，保龄球，拳击沙袋，拳击速度袋，蛙泳，刷牙，清洁和挺举，悬崖跳水，板球保龄球，板球射击，在厨房切割，潜水，打鼓，击剑，曲棍球罚款，地板体操，飞盘接球，前爬网，高尔夫挥杆，理发，链球掷，锤击，倒立俯卧撑，倒立行走，头部按摩，跳高，跑马，骑马，呼啦圈，冰舞，标枪掷，杂耍球，跳绳，跳跃杰克，皮划艇，针织，跳远，刺，阅兵，混合击球手，拖地板，修女夹头，双杠，披萨折腾，弹吉他，弹钢琴，弹塔布拉琴，弹小提琴，弹大提琴，弹Daf，弹Dhol，弹长笛，弹奏Sitar，撑竿跳高，鞍马，引体向上，拳打

本课程使用Python3讲解，课程内容同时适应于Windows、Mac OS X和Linux。 本课程以让学员学会使用scikit-learn编写机器学习代码为目的，拒绝纯理论讲解。 scikit-learn实现了大量机器学习算法，如k-临近、线性回归、梯度下降、决策树、支持向量机、朴素贝叶斯、PCA等。通常会将 scikit-learn与深度学习框架，如Tensorflow、PyTorch在一起使用。使用 scikit-learn对数据进行预处理，然后使用 Tensorflow、PyTorch等深度学习框架进行神经网络训练。因此，在学习 Tensorflow、PyTorch等深度学习框架之前，先了解scikit-learn非常重要。 本课程是《机器学习系列课程》中的重要部分。这套视频课程包括但不限于Python基础、常用机器学习框架（如scikit-learn、tensorflow、pytorch、caffe、keras等），机器学习核心算法、大量的实战案例、机器学习的数学基础，机器学习在自然语言处理中的应用、机器学习在推荐系统中的应用。 识别下面二维码进入课程页面： 本文分享自微信公众号 - 极客起源（geekculture）。 如有侵权，请联系 support@oschina.cn 删除。 本文参与“ OSC源创计划 ”，欢迎正在阅读的你也加入，一起分享。 来源：

看得不明不白（我在下一篇中写了如何理解gather的用法） gather是一个比较复杂的操作，对一个2维tensor，输出的每个元素如下： out[i][j] = input[index[i][j]][j] # dim=0 out[i][j] = input[i][index[i][j]] # dim=1 二维tensor的gather操作 针对0轴 注意index此时的值 输入 index = t.LongTensor([[0,1,2,3]]) print("index = \n", index) #index是2维 print("index的形状: ",index.shape) #index形状是(1,4) 输出 index = tensor([[0, 1, 2, 3]]) index的形状: torch.Size([1, 4]) ======================分割线================================== 针对1轴 注意index此时的值 输入 index = t.LongTensor([[0,1,2,3]]).t() #index是2维 print("index = \n", index) #index形状是(4,1) print("index的形状: ",index.shape) 输出 index = tensor([[0],

import torch import torch.nn as nn import ipdb class DataParallelModel(nn.Module): def __init__(self): super().__init__() self.block1 = nn.Linear(10, 20) def forward(self, x): x = self.block1(x) return x def data_parallel(module, input, device_ids, output_device=None): if not device_ids: return module(input) if output_device is None: output_device = device_ids[0] replicas = nn.parallel.replicate(module, device_ids) print(f"replicas:{replicas}") inputs = nn.parallel.scatter(input, device_ids) print(f"inputs:{type(inputs)}") for i in range(len(inputs)): print(f"input {i}:{inputs[i].shape}")

1：论文信息 来自IJCAI 2018的一篇论文：《Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting 》 原始论文地址链接 Pytorch代码实现 1.1： 论文思路 使用Kipf & Welling 2017的近似谱图卷积得到的图卷积作为空间上的卷积操作，时间上使用一维卷积TCN对所有顶点进行卷积，两者交替进行，组成了时空卷积块，在加州PeMS和北京市的两个数据集上做了验证。论文中图的构建方法并不是基于实际路网，而是通过数学方法构建了一个基于距离关系的网络。 1.2： 摘要和引言总结 在交通研究中，交通流的基本变量，也就是速度、流量和密度（ 实际中，还有排队长度，时间占有率，空间占有率，车头时距等多个变量 ），这些变量通常作为监控当前交通状态以及未来预测的指示指标。根据预测的长度，主要是指预测时间窗口的大小，交通预测大体分为两个尺度：短期(5~30min)，中和长期预测(超过30min)。大多数流行的统计方法(比如，线性回归)可以在短期预测上表现的很好。然而，由于交通流的不确定性和复杂性，这些方法在相对长期的预测上不是很有效。 中长期交通预测上的研究可以分为两类：动态建模和数据驱动的方法 。 动态建模方法 ：使用了数学工具（比如微分方程