问题标签 [pytorch]

我正在尝试用来cython包装 C++ 库（fastText如果相关）。C++ 库类从磁盘加载一个非常大的数组。我的包装器从 C++ 库实例化一个类以加载数组，然后使用cython内存视图并将numpy.asarray数组转换为numpy数组，然后调用torch.from_numpy以创建张量。

出现的问题是如何处理数组的内存释放。

现在，pointer being freed was not allocated当程序退出时，我得到了。我希望这是因为 C++ 代码和numpy/pytorch都在尝试管理同一块 RAM。

我可以简单地注释掉 C++ 库中的析构函数，但感觉它会给我带来一个不同的问题。

我应该如何处理这个问题？是否有任何关于如何使用 C++ 处理内存共享的最佳实践文档cython？

如果我修改 C++ 库以将数组包装在 a 中shared_ptr，cython（和numpy、pytorch​​、等）会shared_ptr正确共享吗？

如果问题很幼稚，我深表歉意；Python 垃圾收集对我来说非常神秘。

任何建议表示赞赏。

我正在尝试使用链接中的说明运行 OpenNMT 项目：http: //forum.opennmt.net/t/text-summarization-on-gigaword-and-rouge-scoring/85/6

我正在使用 Python 2.7 并从 github 存储库安装了 pytorch。
我正在尝试使用 OpenNMT 的预构建模型运行程序，该模型已从以下网址下载：http: //opennmt.net/Models/

我尝试了命令：

得到以下错误：

请让我知道我需要做什么，以便我可以使用该模型并检查 OpenNMT 库。

我正在尝试在 Python 中实现 Adagrad。出于学习目的，我以矩阵分解为例。我会使用Autograd来计算梯度。

我的主要问题是实施是否良好。

问题描述

给定一个包含一些缺失条目的矩阵 A (M x N)，分解为 W 和 H，分别具有 (M xk) 和 (k XN) 大小。目标是使用 Adagrad 学习 W 和 H。我将按照本指南进行 Autograd 实施。

注意：我非常清楚基于 ALS 的实施非常适合。我仅将 Adagrad 用于学习目的

习惯进口

创建要分解的矩阵

屏蔽一个条目

定义成本函数

分解参数

成本 wrt 参数 W 和 H 的梯度

主要的 Adagrad 例程（需要检查）

当问题收敛并且我得到一个合理的解决方案时，我想知道实施是否正确。具体来说，如果理解梯度和然后计算自适应学习率是否正确？

我是 PyTorch 的新手，在使用了一段时间的不同工具包后尝试了一下。

我想了解如何对自定义层和功能进行编程。作为一个简单的测试，我写了这个：

这旨在使通过它的数据总和为1。实际上没有用，只是在测试中。

然后我将它插入到 PyTorch Playground 的示例代码中：

结果是错误！

也许这需要是一个函数而不是一个模块？也不清楚功能，模块之间有什么区别。

例如，为什么一个 Function 需要一个backward()，即使它完全由标准 pytorch 原语构造而成，而一个 Module 不需要这个？

鉴于：

目标1：

目标2：

结果1：

结果2：

我的 PyTorch 版本是 0.1.12_2 - 非常感谢可能的解决方案。

Pytorch 初学者在这里！考虑以下自定义模块：

据我了解文档：我相信这也可以作为自定义实现Function。的子类Function需要backward()方法，但 Module不需要。同样，在 Linear 的文档示例中Module，它取决于 Linear Function：

问题：我不明白 和 之间的Module关系Function。在上面的第一个清单（模块Testme）中，它应该有关联的功能吗？如果不是，那么可以通过子类化 Module 来实现这一点而无需backward方法，那么为什么Function总是需要backward方法呢？

也许Functions 仅适用于不是由现有的火炬功能组成的功能？Function换一种说法：如果模块的forward方法完全由先前定义的 Torch 函数组成，也许模块不需要关联？

我有一个庞大的 numpy 数组列表，其中每个数组代表一个图像，我想使用 torch.utils.data.Dataloader 对象加载它。但是 torch.utils.data.Dataloader 的文档提到它直接从文件夹加载数据。我如何为我的原因修改它？我是 pytorch 的新手，任何帮助将不胜感激。我的单个图像的 numpy 数组看起来像这样。图像是 RBG 图像。

假设我有一个火炬 CUDA 张量，我想应用一些函数，sin()但我已经明确定义了函数F。如何使用并行计算F在 Pytorch 中应用。

我有一个大小的张量，4 x 6其中 4 是批量大小，6 是序列长度。序列向量的每个元素都是某个索引（0 到 n）。我想创建一个4 x 6 x n张量，其中第 3 维的向量将是索引的一个热编码，这意味着我想将 1 放入指定的索引中，其余的值将为零。

例如，我有以下张量：

在这里，所有值都在 (0 到 n) 之间，其中 n = 15。所以，我想将张量转换为4 X 6 X 16第三维将代表一个热编码向量的张量。

如何使用 PyTorch 功能做到这一点？现在，我正在使用循环执行此操作，但我想避免循环！

这是一个 pytorch 初学者的问题。在 pytorch 中，我试图用两个大小为 [5,5,3] 的张量进行元素除法。在 numpy 中，使用 np.divide() 可以正常工作，但不知何故我在这里遇到错误。我正在为 Python 3.5 使用 PyTorch 版本 0.1.12。

c = [torch.DoubleTensor 大小为 5x5x3]

input_patch = [torch.FloatTensor 大小为 5x5x3]

input_patch 是一个 torch.autograd 变量的切片，c 是通过做 c = torch.from_numpy(self.patch_filt[:, :, :, 0]).float()

做的时候：

我收到这个我不明白的错误。

这是否意味着变量 c 不应该是 torch_tensor？在将 c 转换为 FloatTensor 之后仍然会给出相同的错误。

谢谢！