Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
evanth_2023
pytorch-doc-zh
提交
cfb1ccfe
P
pytorch-doc-zh
项目概览
evanth_2023
/
pytorch-doc-zh
与 Fork 源项目一致
Fork自
OpenDocCN / pytorch-doc-zh
通知
2
Star
0
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
P
pytorch-doc-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
前往新版Gitcode,体验更适合开发者的 AI 搜索 >>
未验证
提交
cfb1ccfe
编写于
11月 09, 2020
作者:
片刻小哥哥
提交者:
GitHub
11月 09, 2020
浏览文件
操作
浏览文件
下载
差异文件
辛苦了 | Merge pull request #532 from zsdostar/patch-1
Fix doc mistake of 1.4/17.md
上级
5a121361
c178f209
变更
1
隐藏空白更改
内联
并排
Showing
1 changed file
with
6 addition
and
6 deletion
+6
-6
docs/1.4/17.md
docs/1.4/17.md
+6
-6
未找到文件。
docs/1.4/17.md
浏览文件 @
cfb1ccfe
...
...
@@ -45,7 +45,7 @@ $ python predict.py Schmidhuber
Note
从的
下载数据,并将其提取到当前目录。
-
从
[
这里
](
https://download.pytorch.org/tutorial/data.zip
)
下载数据,并将其提取到当前目录。
`data/names`
目录中包含 18 个文本文件,名为“ [Language] .txt”。 每个文件包含一堆名称,每行一个名称,大多数都是罗马化的(但我们仍然需要从 Unicode 转换为 ASCII)。
...
...
@@ -96,7 +96,7 @@ n_categories = len(all_categories)
```
出
:
Out
:
```
['data/names/French.txt', 'data/names/Czech.txt', 'data/names/Dutch.txt', 'data/names/Polish.txt', 'data/names/Scottish.txt', 'data/names/Chinese.txt', 'data/names/English.txt', 'data/names/Italian.txt', 'data/names/Portuguese.txt', 'data/names/Japanese.txt', 'data/names/German.txt', 'data/names/Russian.txt', 'data/names/Korean.txt', 'data/names/Arabic.txt', 'data/names/Greek.txt', 'data/names/Vietnamese.txt', 'data/names/Spanish.txt', 'data/names/Irish.txt']
...
...
@@ -122,9 +122,9 @@ Out:
现在我们已经组织了所有名称,我们需要将它们转换为张量以使用它们。
为了表示单个字母,我们使用大小为
`
<1 x n_letters>`
的“ one-hot vector”。 一个热门向量用 0 填充,但当前字母的索引处的数字为 1,例如
`"b" = <0 1 0 0 0 ...>
`
。
为了表示单个字母,我们使用大小为
`
<1 x n_letters>`
的“ one-hot vector”。 一个热门向量用 0 填充,但当前字母的索引处的数字为 1,例如
`"b" = <0 1 0 0 0 ...>
`
。
为了制造一个单词,我们将其中的一些连接成 2D 矩阵
`
<line_length x 1 x n_letters>
`
。
为了制造一个单词,我们将其中的一些连接成 2D 矩阵
`
<line_length x 1 x n_letters>
`
。
额外的 1 维是因为 PyTorch 假设所有内容都是批量的-我们在这里只使用 1 的批量大小。
...
...
@@ -232,7 +232,7 @@ tensor([[-2.9504, -2.8402, -2.9195, -2.9136, -2.9799, -2.8207, -2.8258, -2.8399,
```
如您所见,输出为
`
<1 x n_categories>
`
张量,其中每个项目都是该类别的可能性(更高的可能性更大)。
如您所见,输出为
`
<1 x n_categories>
`
张量,其中每个项目都是该类别的可能性(更高的可能性更大)。
## 训练
...
...
@@ -536,7 +536,7 @@ $ python predict.py Hazaki
```
运行
`server.py`
并访问
[
http:// localhost:5533
/您的名字
](
http://localhost:5533/Yourname
)
以获取预测的 JSON 输出。
运行
`server.py`
并访问
[
http://localhost:5533
/您的名字
](
http://localhost:5533/Yourname
)
以获取预测的 JSON 输出。
## 练习题
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录