weixin_43576024的博客

采样sampler

【代码】SD欧拉采样。

net = nn.Sequential(nn.Linear(2, 1)) # 第一个指定输入特征形状，即2，第二个指定输出特征形状，输出特征形状为单个标量，因此为1。# 参考 https://zh.d2l.ai/chapter_linear-networks/linear-regression-concise.html。print('w的估计误差：', true_w - w.reshape(true_w.shape))"""构造一个PyTorch数据迭代器"""

先安装mindspore环境。

如何在MacOS上安装MindSpore环境

mindcv

【代码】Pytorch方法解析。

【代码】最简单的使用dropout的网络（提高泛化性）

先随机算出来一个注意力权重和value，这里面的逻辑就是先论文的高手整出来的，不用理解。所以以下是可以被训练的参数（linear层就是简单的y = x * W^T + b）note PyTorch 中，nn.Linear 层的权重和偏置默认是可训练的。然后计算出output，然后和target对比 迭代更新，更新参数。本质就是计算一个token和其他所有token的关系。self.W_q 中的权重和偏置。self.W_k 中的权重和偏置。self.W_v 中的权重和偏置。

在bevformer.py文件__init__之后打断点，通过self.img_backbone.state_dict()得到入参数--self.img_backbone.state_dict().keys()，可以得到全部的参数。核心：先载入一个pytorch的模型，用mindspore的key和pytorch的value。直接运行一下，重点是net.get_parameters()这个方法可以直接拿到参数。4 根据得到到mapping.json文件生成mindspore需要的ckpt文件;