#
CGAN的全拼是Conditional Generative Adversarial Networks，条件生成对抗网络，在初始GAN的基础上增加了图片的相应信息。 这里用传统的卷积方式实现CGAN。
今天要聊聊用 PyTorch 进行 C++ 扩展。 在正式开始前，我们需要了解 PyTorch 如何自定义module。这其中，最常见的就是在 python 中继承torch.nn.Module，用
pytorch 库 pytorch 本身具有载入cifar10等数据集的函数，但是载入的是3*200*200的张量，当碰到要使用灰度图像时，可以使用他本身的函数进行修改，以较快速的完成彩色图像转灰度图
contiguous tensor变量调用contiguous()函数会使tensor变量在内存中的存储变得连续。 contiguous()：view只能用在contiguous的variable上。
这边我是需要得到图片在Vgg的5个block里relu后的Feature Map （其余网络只需要替换就可以了） 索引可以这样获得 vgg = models.vgg19(pretrained=Tr
如何对loss进行mask pytorch官方教程中有一个Chatbot教程，就是利用seq2seq和注意力机制实现的，感觉和机器翻译没什么不同啊，如果对话中一句话有下一句，那么就把这一对句子加入模
我就废话不多说了，直接上代码吧！ import torch import torch.nn.functional as F import numpy as np from torch.autogr
在pytorch中，Tensor是以引用的形式存在的，故而并不能直接像python交换数据那样 a = torch.Tensor(3,4) a[0],a[1] = a[1],a[0] # 这会导
当使用pytorch写网络结构的时候，本人发现在卷积层与第一个全连接层的全连接层的input_features不知道该写多少？一开始本人的做法是对着pytorch官网的公式推，但是总是算错。 后来发现
在使用Pytorch进行神经网络训练时，有时会遇到训练学习率不下降的问题。出现这种问题的可能原因有很多，包括学习率过小，数据没有进行Normalization等。不过除了这些常规的原因，还有一种难以发
