动手学深度学习 | 深度学习硬件：CPU和GPU | 30
目录 CPU和GPU QA CPU和GPU 我们讲讲GPU和CPU是什么，而且为什么深度学习使用GPU会快。 上图最直观的就是CPU的浮点运算能力比显卡差很多，但是显卡的显存不会很大，32G其实也就封顶了，但是CPU的内存可以一直叠加 ...
原文：动手学深度学习 | 使用和购买GPU | 15
目录 使用GPU 购买GPU 整机配置 QA 使用GPU 其实如果没有钱买GPU的话，使用Google Colab也是一个不错的选择，大概是 dollar一个月。 算力其实是很贵的... 利用好算力是一件很重要的事情 关于Nvidia Driver too old的问题，如果是服务器的话，这里不要盲目的去更新显卡驱动，这样子会把别人的环境搞坏的。 正确的方式应该是去安装适合自己驱动的版本的框架。 ...
2021-09-22 10:41 0 115 推荐指数：
相关推荐
动手学深度学习15-深度学习-正向传播、反向传播和计算图
正向传播 反向传播 训练深度学习模型 小结 前几节里面我们使用了小批量随机梯度下降的优化算法来训练模型。在实现中，我们只提供了模型的正向传播的(forward propagation)计算，即对于输入计算模型输出，然后通过autograd模块来调用系统自动生成 ...
动手学深度学习--文本情感分析之RNN
⽂本分类是⾃然语⾔处理的⼀个常⻅任务，它把⼀段不定⻓的⽂本序列变换为⽂本的类别。它的⼀个⼦问题：使⽤⽂本情感分类来分析⽂本作者的情绪。这个问题也叫情感分析，并有着⼴泛的应⽤。例如，我们 ...
动手学深度学习 | 预测房价竞赛总结 | 16
目录 竞赛总结 QA 竞赛总结 我们讲知识，也不可能所有东西都cover到，让大家竞赛不是让大家去学某个特定的知识，而是说大家遇到一个问题，怎么去找一个 ...
动手学深度学习7-从零开始完成softmax分类
获取和读取数据 初始化模型参数 实现softmax运算 定义模型 定义损失函数 计算分类准确率 训练模型 小结 获取和读取数据 我们将使用Fahsion_MNIST数据集，并设置批量大小为256 初始化模型参数 与线性回归中的例子一样 ...
动手学深度学习PyTorch版-task01
task0101.线性回归 优化函数 - 随机梯度下降 当模型和损失函数形式较为简单时，上面的误差最小化问题的解可以直接用公式表达出来。这类解叫作解析解（analytical solution）。本节使用的线性回归和平方误差刚好属于这个范畴。然而，大多数深度学习模型并没有解析解，只能 ...
动手学深度学习13-权重衰减
权重衰减 高维线性回归实验 从零开始实现 初始化模型参数 定义L2范数惩罚项 定义训练和测试 使用权重衰减 pytorch简洁实现 小结 上一节中提提到的过拟合现象，在模型的训练误差远小于测试集上的误差。虽然增大 ...
动手学深度学习三---多层感知机MLP
1、隐藏层 多层感知机在单层神经网络中引入了一到多个隐藏层，隐藏层位于输入层和输出层之间 输入层特征数为4个，输出层标签类别为3，隐藏单元5个，输入层不涉及计算，多层感知机层数为2 隐藏层中 ...