如何创建有效的网站开发工作分解结构树形图，以支持国外网站搭建？

网站开发工作分解结构的树形图,国外网站搭建,学会网站建设的重要性,淮北论坛网文章目录 0. 前言1. 计算图是什么#xff1f;2. TorchViz的安装3. 计算图详解 0. 前言 按照国际惯例#xff0c;首先声明#xff1a;本文只是我自己学习的理解#xff0c;虽然参考了他人的宝贵见解#xff0c;但是内容可能存在不准确的地方。如果发现文中错误#xff0c;… 文章目录 0. 前言1. 计算图是什么2. TorchViz的安装3. 计算图详解 0. 前言 按照国际惯例首先声明本文只是我自己学习的理解虽然参考了他人的宝贵见解但是内容可能存在不准确的地方。如果发现文中错误希望批评指正共同进步。 本文的主旨是基于TorchVis模块详细说明计算图以及叶子节点等相关概念。 创作本文的目的主要有两个 计算图这个概念在深度学习中经常被提及但是对于新手甚至部分老手而言可能很少人能明白计算图究竟是个什么东西用来干嘛的CSND上关于计算图的介绍文章不少但基本都是引用TorchViz生成计算图后就完事了缺乏对计算图的理解。 1. 计算图是什么 答计算图是用于表示计算过程的图例如下面这个 这个图可以理解为最简单的单层神经元网络其中 x x x为训练输入数据 w w w和 b b b是要优化的参数 y y y为训练输出数据 l o s s loss loss为损失值。 PyTorch官方对计算图Computational Graph的介绍是一个有向开环图DAG这个有向开环图记录了①所有的输入数据张量②这些数据张量的计算过程③通过这些计算过程生成的新数据张量。 在计算图中“叶子”代表了输入数据张量“根”代表了输出数据张量。追溯从“根”到“叶子”的过程通过链式法则可以计算出损失值对神经元网络模型参数的偏导。 PyTorch官网原文链接https://pytorch.org/tutorials/beginner/blitz/autograd_tutorial.html?highlightgrad_fn 2. TorchViz的安装 TorchViz是一个用于可视化 PyTorch计算图的工具库后面的说明都是使用TorchViz生成的计算图来讲解所以先介绍下TorchViz的安装。 其方法非常简单。。。使用Conda直接安装TorchViz首先进入到Pycharm/settings/Python Interpreter然后点“”。 再搜torchviz点“Install Package” 因为TorchViz中引用了GraphViz库中的方法所以也得把GraphViz安装上。 其实不太想水这一章的内容但是我实在不理解为什么大家都千篇一律喜欢用pip 3. 计算图详解 首先我们先生成一个最简单的 h w × x b h w×x b hw×xb的计算图代码如下 import torch from torchviz import make_dotx torch.tensor([1],dtypetorch.float32,requires_gradTrue) w torch.tensor([4],dtypetorch.float32,requires_gradTrue) b torch.tensor([0.5],dtypetorch.float32,requires_gradTrue)h w*x b graph_forward make_dot(h) graph_forward.render(filenameC:\\Users\\Lenovo\\Desktop\\DL\\calc_graph\\graph_forward, viewFalse, formatpdf)这里的路径filename一定要写道最终文件的名字而不是最终文件夹也就是说calc_graph最后一层文件夹生成的文件是graph_forward.pdf 生成的计算图如下 其中蓝底色的3个(1)即是第1章中说明的计算图中的“叶子”绿底色的(1)是“根”。 这里的“叶子”即为我们经常听说的叶子节点leaf node。PyTorch为了节省内存只会记录叶子节点的相关操作计算梯度时也只对叶子节点进行计算。 回到 h w × x b h w×x b hw×xb的计算图如果它代表的是某个深度学习网络模型中的某个隐层的计算过程那显然我们不用知道对 x x x的偏导这样我们就可以把它从计算图中剥离出来把计算资源都给到对参数 w w w和 b b b的计算。把 x x x从计算图中剥离出来的方式也很简单只要指定requires_grad为False就可以了。