pytorch

간편한 딥러닝 API를 제공하며 머신러닝 알고리즘을 구현하고 실행하기 위한 확장성이 뛰어난 멀티플랫폼 프로그래밍 인터페이스 이다.(사용자 친화성을 강조하고 복잡한 작업도 손쉽게 처리가능)또한 연산을 평가하고, 계산을 실행하고, 구체적인 값을 즉시 반환하는 동적 계산 그

pytorch에서의 dtype 정수형 데이터 타입 8비트,16비트,32비트,64비트로 나누어지며, 부호가 있는것과 없는것으로도 나눌 수 있다. 부호를 사용하면 앞에 1비트를 사용해야 함으로 부호없는것 보다 1비트 더 작은 숫자까지 표현할 수 있다. ex) dtype=t

1. 0으로 초기화된 tensor 생성 a=torch.zeros(2) -- 1차원 b=torch.zeros([2,3]) -- 2차원 torch.zeros_like(a) -- (a텐서의 요소들을 0으로 초기화) 2. 1로 초기화된 tensor 생성 위에 0과 유사한다

1-D tensor : 어려운것 없이 기존의 numpy,list에서의 인덱싱, 슬라이싱과 같다.2-D tensor : d행,열로 지정해준다.(numpy 와 동일) 또한 슬라이싱도 numpy와 유사한데 1번째 행을 찾고 싶을 때 텐서는 d1,: or d1,...으로 표시

view() method는 tensor의 메모리가 연속적으로 할당된 경우에만 사용 가능!우리가 일반적으로 텐서를 지정하면 연속적 메모리를 할당하지만 텐서의 슬라이싱으로 텐서를 조작하면 비연속적인 메모리 할당이 된다. 하지만 슬라이싱에 경우 \*\* c라는 tensor가

우리가 지난 게시글에서 배웠듯이 1-D tensor의 구조, 2-D tensor의 구조, 텐서의 크기를 알 수 있는 shape,size()를 배웠었다. (이때 1-D tensor의 크기는 요소의 개수를 의미한다.)여기서 우리가 짚고 넘어가야할 문제가 있다.두 tenso

이 행렬곱 연산은 신경망 구현에 핵심이 되는 연산이므로 잘 알아두자행렬곱 연산은 통계학과 때 배운 것처럼 동일하다. 수식적으로는 이해가 되었기 때문에 바로 코드로 넘어가 보자두 2차원 tensor D,E가 있고 행렬곱을 하고 싶다면D.matmul(E) or D.mm(E

이 문제에서 나는 강의에서 torch.zeros_like()를 쓰면 메모리 주소가 변하지 않는다고 해서 이것을 썼었다. 근데 메모리 주소가 다른것이다!! 알고보니 torch.zeros_like는 참조하고자 하는 텐서의 shape, dtype, device, requi

pytorch에서 GPU 쓰는 법 파이토치에서 gpu로 모델을 돌리고 싶다면 cpu에 있는 모델과 tensor들을 gpu에 올려놔야한다. model.to(device) vs model=model.to(device) ? 모델을 돌리다 보면 의문점이 들었다. device

모델을 학습시키기 위해서는 data가 필수적이다.실제로 pytorch로 모델 구성 및 학습하는 과정에서 가장 큰 비중을 차지하는 것은 모델에 데이터를 공급해주는 일이다.(딥러닝에서 가장 중요한 것을 신경망 모델링이 아닌 데이터를 준비하는 단계라고 해도 과언이 아니다.)