PyTorch中的神經(jīng)網(wǎng)絡(luò) Mnist 分類任務(wù)
更新時間：2023年03月23日 09:36:24 作者：虛心求知的熊
這篇文章主要介紹了PyTorch中的神經(jīng)網(wǎng)絡(luò) Mnist 分類任務(wù),在本次的分類任務(wù)當中，我們使用的數(shù)據(jù)集是 Mnist 數(shù)據(jù)集，這個數(shù)據(jù)集大家都比較熟悉，需要的朋友可以參考下
本文參加新星計劃人工智能(Pytorch)賽道：https://bbs.csdn.net/topics/613989052
一、Mnist 分類任務(wù)簡介
- 在上一篇博客當中，我們通過搭建 PyTorch 神經(jīng)網(wǎng)絡(luò)實現(xiàn)了氣溫預測，這本質(zhì)上是一個回歸任務(wù)。在本次博文當中，我們使用 PyTorch 做一個分類任務(wù)。
- 其實，分類任務(wù)和回歸任務(wù)在本質(zhì)上沒有任何區(qū)別，只是說在結(jié)果上是不同的，損失函數(shù)是不同的，中間的網(wǎng)絡(luò)架構(gòu)卻是大體一致的。
- 在本次的分類任務(wù)當中，我們使用的數(shù)據(jù)集是 Mnist 數(shù)據(jù)集，這個數(shù)據(jù)集大家都比較熟悉，可以在 http://yann.lecun.com/exdb/mnist/ 中獲取，主要包括四個文件：
| 文件名稱 | 大小 | 內(nèi)容 |
|---|---|---|
| train-images-idx3-ubyte.gz | 9,681 kb | 55000 張訓練集，5000 張驗證集 |
| train-labels-idx1-ubyte.gz | 29 kb | 訓練集圖片對應(yīng)的標簽 |
| t10k-images-idx3-ubyte.gz | 1,611kb | 10000 張測試集 |
| t10k-labels-idx1-ubyte.gz | 5 kb | 測試集圖片對應(yīng)的標簽 |
- 在上述在上述文件中，訓練集 train 一共包含了 60000 張圖像和標簽，而測試集一共包含了 10000 張圖像和標簽。
- idx3 表示 3 維，ubyte 表示是以字節(jié)的形式進行存儲的，t10k 表示 10000 張測試圖片（test10000）。
- 每張圖片是一個 28*28 像素點的 0 ~ 9 的灰質(zhì)手寫數(shù)字圖片，黑底白字，圖像像素值為 0 ~ 255，越大該點越白。
- 本次分類任務(wù)主要包含如下的幾個部分：
- （1） 網(wǎng)絡(luò)基本構(gòu)建與訓練方法，常用函數(shù)解析。
- （2） torch.nn.functional 模塊。
- （3） nn.Module 模塊。
二、Mnist 數(shù)據(jù)集的讀取
- 對于 Mnist 數(shù)據(jù)集，我們可以通過代碼編寫，就可以實現(xiàn)自動下載。
%matplotlib inline
from pathlib import Path
import requests
?
DATA_PATH = Path("data")
PATH = DATA_PATH / "mnist"
?
PATH.mkdir(parents=True, exist_ok=True)
?
URL = "http://deeplearning.net/data/mnist/"
FILENAME = "mnist.pkl.gz"對于我們上面定義的下載路徑等等，會進行自動判斷，如果該路徑下沒有 Minst 數(shù)據(jù)集的話，就會自動進行下載。
if not (PATH / FILENAME).exists():
content = requests.get(URL + FILENAME).content
(PATH / FILENAME).open("wb").write(content)由于下載出來的數(shù)據(jù)集是壓縮包的狀態(tài)，因此，我們還需要對其進行解壓，具體的代碼詳見下面。
import pickle
import gzip
?
with gzip.open((PATH / FILENAME).as_posix(), "rb") as f:
((x_train, y_train), (x_valid, y_valid), _) = pickle.load(f, encoding="latin-1")在上述工作準備完成后，我們可以先查看一個數(shù)據(jù)，觀察他的特征。
from matplotlib import pyplot import numpy as np ? pyplot.imshow(x_train[0].reshape((28, 28)), cmap="gray") print(x_train.shape) #(50000, 784)
在此處，我們查看的訓練集當中的第一個數(shù)據(jù)，大小重構(gòu)為 （28，28，1），表示長是 28，寬是 28，顏色通道是 1（黑白圖就只有一個顏色通道），顏色設(shè)置為灰色。在查看第一個數(shù)據(jù)的同時，我們也輸出整個訓練集的數(shù)據(jù)大小，其中，(50000, 784) 中的 50000 表示訓練集一共有 50000 個數(shù)據(jù)樣本，784 表示訓練集中每個樣本有 784 個像素點（可以理解成 784 個特征）。
三、 Mnist 分類任務(wù)實現(xiàn)
1. 標簽和簡單網(wǎng)絡(luò)架構(gòu) 在分類任務(wù)當中，標簽的設(shè)計是有所不同的。
- 很多人認為預測出來的 9，具體指的是 0，1，2，3，4，5，6，7，8，9 當中的具體哪一個，但實際上并不是這樣的，他也是一個 One-Hot 的編碼，他預測的出來的不是一個具體的數(shù)值，而是十個概率，就是當前這個輸入屬于 0-9 這十個數(shù)字的概率是多少。
- 以上圖為例，該輸入屬于 0 的概率就是 0，屬于 1 的概率就是 12%，屬于 9 的概率就是 87%，屬于 9 的概率最高，因此，該輸入的輸出就是 9。
- 對于這個網(wǎng)絡(luò)架構(gòu)，由于我們的每個數(shù)據(jù)樣本都有 784 個像素點，中間進行特征提取，得到一定數(shù)量的特征，最終得到 10 個輸出，通過 Softmax 層得到是個概率。
2. 具體代碼實現(xiàn)
- 需要注意的是，我們需要先將數(shù)據(jù)轉(zhuǎn)換成 tensor 才能參與后續(xù)建模訓練。
- 這里的數(shù)據(jù)包括 x_train, y_train, x_valid, y_valid 四種，對于他們的含義，我們可以這樣理解：
- （1） x_train 包括所有自變量，這些變量將用于訓練模型。
- （2） y_train 是指因變量，需要此模型進行預測，其中包括針對自變量的類別標簽，我們需要在訓練/擬合模型時指定我們的因變量。
- （3） x_valid 也就是 x_test，這些自變量將不會在訓練階段使用，并將用于進行預測，以測試模型的準確性。
- （4） y_valid 也就是 y_test，此數(shù)據(jù)具有測試數(shù)據(jù)的類別標簽，這些標簽將用于測試實際類別和預測類別之間的準確性。
import torch
?
x_train, y_train, x_valid, y_valid = map(
torch.tensor, (x_train, y_train, x_valid, y_valid)
)
n, c = x_train.shape
x_train, x_train.shape, y_train.min(), y_train.max()
print(x_train, y_train)
print(x_train.shape)
print(y_train.min(), y_train.max())
#tensor([[0., 0., 0., ..., 0., 0., 0.],
# [0., 0., 0., ..., 0., 0., 0.],
# [0., 0., 0., ..., 0., 0., 0.],
# ...,
# [0., 0., 0., ..., 0., 0., 0.],
# [0., 0., 0., ..., 0., 0., 0.],
# [0., 0., 0., ..., 0., 0., 0.]]) tensor([5, 0, 4, ..., 8, 4, 8])
#torch.Size([50000, 784])
#tensor(0) tensor(9)- 在模型訓練的過程中，大家經(jīng)常會看到 nn.Module 和 nn.functional。那什么時候使用 nn.Module，什么時候使用 nn.functional 呢？
- 一般情況下，如果模型有可學習的參數(shù)，最好用 nn.Module，其他情況 nn.functional 相對更簡單一些。
- 我們先導入需要的模塊包。
import torch.nn.functional as F
?
loss_func = F.cross_entropy
?
def model(xb):
return xb.mm(weights) + bias然后進行參數(shù)的設(shè)定。
bs = 64 xb = x_train[0:bs] # a mini-batch from x yb = y_train[0:bs] weights = torch.randn([784, 10], dtype = torch.float, requires_grad = True) bs = 64 bias = torch.zeros(10, requires_grad=True) ? print(loss_func(model(xb), yb)) #tensor(10.7988, grad_fn=<NllLossBackward>)
- 我們也創(chuàng)建一個 model 來更簡化代碼。
- 在這中間必須繼承 nn.Module 且在其構(gòu)造函數(shù)中需調(diào)用 nn.Module 的構(gòu)造函數(shù)，無需寫反向傳播函數(shù)，nn.Module 能夠利用 autograd 自動實現(xiàn)反向傳播，Module 中的可學習參數(shù)可以通過 named_parameters() 或者 parameters() 返回迭代器。
from torch import nn
?
class Mnist_NN(nn.Module):
def __init__(self):
super().__init__()
self.hidden1 = nn.Linear(784, 128) #隱藏層1：784*128
self.hidden2 = nn.Linear(128, 256) #隱藏層2：128*256
self.out = nn.Linear(256, 10) #輸出層，256*10
?
def forward(self, x):
x = F.relu(self.hidden1(x))
x = F.relu(self.hidden2(x))
x = self.out(x)
return x
net = Mnist_NN()
print(net)
?#Mnist_NN(
# (hidden1): Linear(in_features=784, out_features=128, bias=True)
# (hidden2): Linear(in_features=128, out_features=256, bias=True)
# (out): Linear(in_features=256, out_features=10, bias=True)
#)我們可以打印定義好名字里的權(quán)重和偏置項，首先打印名字，然后打印參數(shù)，最后打印參數(shù)的維度。
for name, parameter in net.named_parameters():
print(name, parameter,parameter.size())
#hidden1.weight Parameter containing:
#tensor([[ 0.0018, 0.0218, 0.0036, ..., -0.0286, -0.0166, 0.0089],
# [-0.0349, 0.0268, 0.0328, ..., 0.0263, 0.0200, -0.0137],
# [ 0.0061, 0.0060, -0.0351, ..., 0.0130, -0.0085, 0.0073],
# ...,
# [-0.0231, 0.0195, -0.0205, ..., -0.0207, -0.0103, -0.0223],
# [-0.0299, 0.0305, 0.0098, ..., 0.0184, -0.0247, -0.0207],
# [-0.0306, -0.0252, -0.0341, ..., 0.0136, -0.0285, 0.0057]],
# requires_grad=True) torch.Size([128, 784])
#hidden1.bias Parameter containing:
#tensor([ 0.0072, -0.0269, -0.0320, -0.0162, 0.0102, 0.0189, -0.0118, -0.0063,
# -0.0277, 0.0349, 0.0267, -0.0035, 0.0127, -0.0152, -0.0070, 0.0228,
# -0.0029, 0.0049, 0.0072, 0.0002, -0.0356, 0.0097, -0.0003, -0.0223,
# -0.0028, -0.0120, -0.0060, -0.0063, 0.0237, 0.0142, 0.0044, -0.0005,
# 0.0349, -0.0132, 0.0138, -0.0295, -0.0299, 0.0074, 0.0231, 0.0292,
# -0.0178, 0.0046, 0.0043, -0.0195, 0.0175, -0.0069, 0.0228, 0.0169,
# 0.0339, 0.0245, -0.0326, -0.0260, -0.0029, 0.0028, 0.0322, -0.0209,
# -0.0287, 0.0195, 0.0188, 0.0261, 0.0148, -0.0195, -0.0094, -0.0294,
# -0.0209, -0.0142, 0.0131, 0.0273, 0.0017, 0.0219, 0.0187, 0.0161,
# 0.0203, 0.0332, 0.0225, 0.0154, 0.0169, -0.0346, -0.0114, 0.0277,
# 0.0292, -0.0164, 0.0001, -0.0299, -0.0076, -0.0128, -0.0076, -0.0080,
# -0.0209, -0.0194, -0.0143, 0.0292, -0.0316, -0.0188, -0.0052, 0.0013,
# -0.0247, 0.0352, -0.0253, -0.0306, 0.0035, -0.0253, 0.0167, -0.0260,
# -0.0179, -0.0342, 0.0033, -0.0287, -0.0272, 0.0238, 0.0323, 0.0108,
# 0.0097, 0.0219, 0.0111, 0.0208, -0.0279, 0.0324, -0.0325, -0.0166,
# -0.0010, -0.0007, 0.0298, 0.0329, 0.0012, -0.0073, -0.0010, 0.0057],
# requires_grad=True) torch.Size([128])
#hidden2.weight Parameter containing:
#tensor([[-0.0383, -0.0649, 0.0665, ..., -0.0312, 0.0394, -0.0801],
# [-0.0189, -0.0342, 0.0431, ..., -0.0321, 0.0072, 0.0367],
# [ 0.0289, 0.0780, 0.0496, ..., 0.0018, -0.0604, -0.0156],
# ...,
# [-0.0360, 0.0394, -0.0615, ..., 0.0233, -0.0536, -0.0266],
# [ 0.0416, 0.0082, -0.0345, ..., 0.0808, -0.0308, -0.0403],
# [-0.0477, 0.0136, -0.0408, ..., 0.0180, -0.0316, -0.0782]],
# requires_grad=True) torch.Size([256, 128])
#hidden2.bias Parameter containing:
#tensor([-0.0694, -0.0363, -0.0178, 0.0206, -0.0875, -0.0876, -0.0369, -0.0386,
# 0.0642, -0.0738, -0.0017, -0.0243, -0.0054, 0.0757, -0.0254, 0.0050,
# 0.0519, -0.0695, 0.0318, -0.0042, -0.0189, -0.0263, -0.0627, -0.0691,
# 0.0713, -0.0696, -0.0672, 0.0297, 0.0102, 0.0040, 0.0830, 0.0214,
# 0.0714, 0.0327, -0.0582, -0.0354, 0.0621, 0.0475, 0.0490, 0.0331,
# -0.0111, -0.0469, -0.0695, -0.0062, -0.0432, -0.0132, -0.0856, -0.0219,
# -0.0185, -0.0517, 0.0017, -0.0788, -0.0403, 0.0039, 0.0544, -0.0496,
# 0.0588, -0.0068, 0.0496, 0.0588, -0.0100, 0.0731, 0.0071, -0.0155,
# -0.0872, -0.0504, 0.0499, 0.0628, -0.0057, 0.0530, -0.0518, -0.0049,
# 0.0767, 0.0743, 0.0748, -0.0438, 0.0235, -0.0809, 0.0140, -0.0374,
# 0.0615, -0.0177, 0.0061, -0.0013, -0.0138, -0.0750, -0.0550, 0.0732,
# 0.0050, 0.0778, 0.0415, 0.0487, 0.0522, 0.0867, -0.0255, -0.0264,
# 0.0829, 0.0599, 0.0194, 0.0831, -0.0562, 0.0487, -0.0411, 0.0237,
# 0.0347, -0.0194, -0.0560, -0.0562, -0.0076, 0.0459, -0.0477, 0.0345,
# -0.0575, -0.0005, 0.0174, 0.0855, -0.0257, -0.0279, -0.0348, -0.0114,
# -0.0823, -0.0075, -0.0524, 0.0331, 0.0387, -0.0575, 0.0068, -0.0590,
# -0.0101, -0.0880, -0.0375, 0.0033, -0.0172, -0.0641, -0.0797, 0.0407,
# 0.0741, -0.0041, -0.0608, 0.0672, -0.0464, -0.0716, -0.0191, -0.0645,
# 0.0397, 0.0013, 0.0063, 0.0370, 0.0475, -0.0535, 0.0721, -0.0431,
# 0.0053, -0.0568, -0.0228, -0.0260, -0.0784, -0.0148, 0.0229, -0.0095,
# -0.0040, 0.0025, 0.0781, 0.0140, -0.0561, 0.0384, -0.0011, -0.0366,
# 0.0345, 0.0015, 0.0294, -0.0734, -0.0852, -0.0015, -0.0747, -0.0100,
# 0.0801, -0.0739, 0.0611, 0.0536, 0.0298, -0.0097, 0.0017, -0.0398,
# 0.0076, -0.0759, -0.0293, 0.0344, -0.0463, -0.0270, 0.0447, 0.0814,
# -0.0193, -0.0559, 0.0160, 0.0216, -0.0346, 0.0316, 0.0881, -0.0652,
# -0.0169, 0.0117, -0.0107, -0.0754, -0.0231, -0.0291, 0.0210, 0.0427,
# 0.0418, 0.0040, 0.0762, 0.0645, -0.0368, -0.0229, -0.0569, -0.0881,
# -0.0660, 0.0297, 0.0433, -0.0777, 0.0212, -0.0601, 0.0795, -0.0511,
# -0.0634, 0.0720, 0.0016, 0.0693, -0.0547, -0.0652, -0.0480, 0.0759,
# 0.0194, -0.0328, -0.0211, -0.0025, -0.0055, -0.0157, 0.0817, 0.0030,
# 0.0310, -0.0735, 0.0160, -0.0368, 0.0528, -0.0675, -0.0083, -0.0427,
# -0.0872, 0.0699, 0.0795, -0.0738, -0.0639, 0.0350, 0.0114, 0.0303],
# requires_grad=True) torch.Size([256])
#out.weight Parameter containing:
#tensor([[ 0.0232, -0.0571, 0.0439, ..., -0.0417, -0.0237, 0.0183],
# [ 0.0210, 0.0607, 0.0277, ..., -0.0015, 0.0571, 0.0502],
# [ 0.0297, -0.0393, 0.0616, ..., 0.0131, -0.0163, -0.0239],
# ...,
# [ 0.0416, 0.0309, -0.0441, ..., -0.0493, 0.0284, -0.0230],
# [ 0.0404, -0.0564, 0.0442, ..., -0.0271, -0.0526, -0.0554],
# [-0.0404, -0.0049, -0.0256, ..., -0.0262, -0.0130, 0.0057]],
# requires_grad=True) torch.Size([10, 256])
#out.bias Parameter containing:
#tensor([-0.0536, 0.0007, 0.0227, -0.0072, -0.0168, -0.0125, -0.0207, -0.0558,
# 0.0579, -0.0439], requires_grad=True) torch.Size([10])
四、使用 TensorDataset 和 DataLoader 簡化
自己構(gòu)建數(shù)據(jù)集，使用 batch 取數(shù)據(jù)會略顯麻煩，因此，我們可以使用 TensorDataset 和 DataLoader 這兩個模塊進行簡化。
from torch.utils.data import TensorDataset
from torch.utils.data import DataLoader
?
train_ds = TensorDataset(x_train, y_train)
train_dl = DataLoader(train_ds, batch_size=bs, shuffle=True)
?
valid_ds = TensorDataset(x_valid, y_valid)
valid_dl = DataLoader(valid_ds, batch_size=bs * 2)
def get_data(train_ds, valid_ds, bs):
return (
DataLoader(train_ds, batch_size=bs, shuffle=True),
DataLoader(valid_ds, batch_size=bs * 2),
)- 一般在訓練模型時加上 model.train()，這樣會正常使用 Batch Normalization 和 Dropout。
- 測試的時候一般選擇 model.eval()，這樣就不會使用 Batch Normalization 和 Dropout。
import numpy as np
?
def fit(steps, model, loss_func, opt, train_dl, valid_dl):
for step in range(steps):
model.train()
for xb, yb in train_dl:
loss_batch(model, loss_func, xb, yb, opt)
?
model.eval()
with torch.no_grad():
losses, nums = zip(
*[loss_batch(model, loss_func, xb, yb) for xb, yb in valid_dl]
)
val_loss = np.sum(np.multiply(losses, nums)) / np.sum(nums)
print('當前step:'+str(step), '驗證集損失：'+str(val_loss))
from torch import optim
def get_model():
model = Mnist_NN()
return model, optim.SGD(model.parameters(), lr=0.001)
def loss_batch(model, loss_func, xb, yb, opt=None):
loss = loss_func(model(xb), yb)
?
if opt is not None:
loss.backward()
opt.step()
opt.zero_grad()
?
return loss.item(), len(xb)我們也可以像上篇博文一樣，使用三行代碼進行解決。
train_dl, valid_dl = get_data(train_ds, valid_ds, bs) model, opt = get_model() fit(25, model, loss_func, opt, train_dl, valid_dl) #當前step:0 驗證集損失：2.2796445930480957 #當前step:1 驗證集損失：2.2440698066711424 #當前step:2 驗證集損失：2.1889826164245605 #當前step:3 驗證集損失：2.0985311767578123 #當前step:4 驗證集損失：1.9517273582458496 #當前step:5 驗證集損失：1.7341805934906005 #當前step:6 驗證集損失：1.4719875366210937 #當前step:7 驗證集損失：1.2273896869659424 #當前step:8 驗證集損失：1.0362271406173706 #當前step:9 驗證集損失：0.8963696184158325 #當前step:10 驗證集損失：0.7927186088562012 #當前step:11 驗證集損失：0.7141492074012756 #當前step:12 驗證集損失：0.6529350900650024 #當前step:13 驗證集損失：0.60417300491333 #當前step:14 驗證集損失：0.5643046331882476 #當前step:15 驗證集損失：0.5317994566917419 ##當前step:16 驗證集損失：0.5047958114624024 #當前step:17 驗證集損失：0.4813900615692139 #當前step:18 驗證集損失：0.4618900228500366 #當前step:19 驗證集損失：0.4443243554592133 #當前step:20 驗證集損失：0.4297310716629028 #當前step:21 驗證集損失：0.416976597738266 #當前step:22 驗證集損失：0.406348459148407 #當前step:23 驗證集損失：0.3963301926612854 #當前step:24 驗證集損失：0.38733808159828187?
到此這篇關(guān)于PyTorch中的神經(jīng)網(wǎng)絡(luò) Mnist 分類任務(wù)的文章就介紹到這了,更多相關(guān)PyTorch神經(jīng)網(wǎng)絡(luò) Mnist 分類任務(wù)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:
- 使用Pytorch構(gòu)建第一個神經(jīng)網(wǎng)絡(luò)模型?附案例實戰(zhàn)
- pytorch簡單實現(xiàn)神經(jīng)網(wǎng)絡(luò)功能
- pytorch深度神經(jīng)網(wǎng)絡(luò)入門準備自己的圖片數(shù)據(jù)
- Pytorch卷積神經(jīng)網(wǎng)絡(luò)遷移學習的目標及好處
- Pytorch深度學習經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)resnet模塊訓練
- Pytorch卷積神經(jīng)網(wǎng)絡(luò)resent網(wǎng)絡(luò)實踐
- PyTorch實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的搭建詳解
- Pytorch神經(jīng)網(wǎng)絡(luò)參數(shù)管理方法詳細講解
相關(guān)文章
Python中淺拷貝copy與深拷貝deepcopy的簡單理解
今天小編就為大家分享一篇關(guān)于Python中淺拷貝copy與深拷貝deepcopy的簡單理解，小編覺得內(nèi)容挺不錯的，現(xiàn)在分享給大家，具有很好的參考價值，需要的朋友一起跟隨小編來看看吧2018-10-10
python中的Json模塊dumps、dump、loads、load函數(shù)用法詳解
這篇文章主要介紹了python中的Json模塊dumps、dump、loads、load函數(shù)用法講解,本文逐一介紹結(jié)合實例代碼給大家講解的非常詳細，需要的朋友可以參考下2022-11-11
Python實現(xiàn)將內(nèi)容轉(zhuǎn)為base64編碼與解碼
這篇文章主要為大家詳細介紹了Python實現(xiàn)將內(nèi)容轉(zhuǎn)為base64編碼與解碼的示例代碼，文中的示例代碼講解詳細，感興趣的小伙伴可以了解一下2023-02-02
這篇文章主要介紹了Python 如何操作 MySQL，幫助大家更好的理解和使用python，感興趣的朋友可以了解下2020-09-09
Numpy的arange()函數(shù)用于在指定間隔內(nèi)生成均勻間隔的數(shù)組,它接受開始值、停止值和步長來創(chuàng)建數(shù)組,返回的是ndarray類型,如果沒有提供dtype,則會根據(jù)其他參數(shù)推斷數(shù)據(jù)類型,對于浮點類型參數(shù),結(jié)果數(shù)組的長度計算方式為ceil((stop-start)/step)2024-10-10
這篇文章主要介紹了python 并發(fā)編程 阻塞IO模型原理解析,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2019-08-08![Python報錯:OSError:?[Errno?22]?Invalid?argument解決方案及應(yīng)用實例](http://img.jbzj.com/images/xgimg/bcimg6.png)
Python報錯:OSError:?[Errno?22]?Invalid?argument解決方案及應(yīng)用實例
最近跑別人的項目遇到一個這樣的問題一開始以為是沒有用管理員的權(quán)限運行,導致創(chuàng)建不了日志文件后來發(fā)現(xiàn)是和windows的命名規(guī)則沖突了,這篇文章主要給大家介紹了關(guān)于Python報錯:OSError:?[Errno?22]?Invalid?argument的解決方案及應(yīng)用實例,需要的朋友可以參考下2024-07-07
python的scipy.stats模塊中正態(tài)分布常用函數(shù)總結(jié)
在本篇內(nèi)容里小編給大家整理的是一篇關(guān)于python的scipy.stats模塊中正態(tài)分布常用函數(shù)總結(jié)內(nèi)容，有興趣的朋友們可以學習參考下。2021-02-02
這篇文章主要介紹了pytorch 實現(xiàn)打印網(wǎng)絡(luò)回傳梯度的操作，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2021-05-05
Python實例方法、類方法、靜態(tài)方法區(qū)別詳解
這篇文章主要介紹了Python實例方法、類方法、靜態(tài)方法區(qū)別詳解,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-09-09