다른 nnModule 간의 꽤 복잡한 상호 작용을 디버깅하려고합니다. 디버깅 목적으로 ID 네트워크로 그 중 하나를 대체 할 수 있다면 매우 유용 할 것입니다. 예를 들어 : net_a = NetworkA()
net_b = NetworkB()
net_c = NetworkC()
input = Autograd.Variable(torch.rand(10,2
음악 생성을위한 자동 인코딩을 개발하려고합니다. 그 목적을 추구하면서 나는 음악적 관계를 포착하는 손실 함수를 개발하려고 시도하고있다. 나의 현재 아이디어는 시스템이 다른 옥타브에서 같은 음을 예측하면 음이 틀렸을 때보다 손실이 작아야한다는 'Spiral'loss function입니다. 또한 B 및 D에서 C와 같은 정확한 음표에 가까운 음표는 작은 손실을
다음 종이를 읽고 있습니다. 그리고 변수에 EMA 붕괴를 사용합니다. https://arxiv.org/pdf/1611.01603.pdf 훈련 동안, 모델의 모든 무게의 이동 평균은 0.999의 지수 붕괴 속도 유지 있습니다. 그들은 TensorFlow를 사용하며 관련 EMA 코드를 발견했습니다. https://github.com/allenai/bi-att-
나는 pytorch로 간단한 네트워크를 학습하기 위해 iris-dataset을 사용합니다. trainset = iris.Iris(train=True)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=150,
shuffle=True, num_workers=2)
d
5D 입력 텐서에서 3D 컨볼 루션을 수행하는 네트워크가 있습니다. (BatchSize, NumClasses, x-dim, y-dim, z-dim)에 해당하는 크기 (1, 12, 60, 36, 60) 인 경우 네트워크 출력. voxel-wise 크로스 엔트로피 손실을 계산해야합니다. 그러나 나는 오류가 계속 발생합니다. torch.nn.CrossEntrop
GPU를 사용하여 (꽤 큰) 신경 네트워크를 훈련하려고합니다. 네트워크는 pytorch로 작성되었습니다. 우분투 16.04에서 실행되는 파이썬 3.6.3을 사용합니다. 현재 코드는 실행 중이지만 GPU를 사용하는 교육 과정에 CPU를 사용하여 데이터를 수집하는 프로세스가 연속적으로 실행되기 때문에 코드를 실행하는 데 약 2 배의 시간이 소요됩니다. 기본적으
이제 action을 출력하고 부적절한 후보를 필터링하는 데 filter을 사용하는 다음 모델을 재생 중입니다. https://arxiv.org/abs/1702.03274 이 모델에서 출력은 마지막 softmax 계층 이후에 필터링됩니다. action_size==3이라고 가정 해 보겠습니다. 따라서 밀도가 높은 & asoftmax layer 이후의 출력은 아
pix2pixHD 사전 학습 모델을 사용하여 내 이미지를 생성하려고합니다. Github repo found here 데이터 세트 내부의 이미지는 알파 채널이없는 회색 음영이어야합니다. repo의 이미지 크기는 16 bitPerSample이고 이미지 크기는 8 및 16 bitsPerSample입니다. sips -g all을 사용하여 내 이미지와 리포의 이미지