-
6.0 本章导读
6.0 本章导读 本章导读 6.0 本章导读 本章导读 所谓海量数据处理，是指基于海量数据的存储、处理、和操作。正因为数据量太大，所以导致要么无法在较短时间内迅速解决，要么无法一次性装入内存。 事实上，针对时间问题，可以采用巧妙的算法搭配合适的数据结构（如布隆过滤器、哈希、位图、堆、数据库、倒排索引、Trie树）来解决；而对于空间问题，可以采取分... -
6.0 本章导读
6.0 本章导读 本章导读 6.0 本章导读 本章导读 所谓海量数据处理，是指基于海量数据的存储、处理、和操作。正因为数据量太大，所以导致要么无法在较短时间内迅速解决，要么无法一次性装入内存。 事实上，针对时间问题，可以采用巧妙的算法搭配合适的数据结构（如布隆过滤器、哈希、位图、堆、数据库、倒排索引、Trie树）来解决；而对于空间问题，可以采取分... -
并行和分布式训练
并行和分布式训练 并行和分布式训练 PyTorch 分布式概述 单机模型并行最佳实践 分布式数据并行入门 用 PyTorch 编写分布式应用 分布式 RPC 框架入门 使用分布式 RPC 框架实现参数服务器 使用 RPC 的分布式管道并行化 使用异步执行实现批量 RPC 处理 将分布式DataParallel与分布式 RPC 框架相结... -
CUDA语义
CUDA语义 最佳实践 使用固定的内存缓冲区 使用 nn.DataParallel 替代 multiprocessing CUDA语义 torch.cuda 会记录当前选择的GPU，并且分配的所有CUDA张量将在上面创建。可以使用torch.cuda.device 上下文管理器更改所选设备。 但是，一旦张量被分配，您可以直接对其进行操作，而不考... -
3.6.2 经验总结
3.6.2 经验总结 3.6.2 经验总结 求最大值问题并非很难的问题，但解决该问题的过程反映了一些有关算法和程序设计的 重要的思想。 对于一个比较复杂的计算问题，往往有多种解决方法。作为算法设计者，通常不要凭着 第一感去编写代码，而是应当三思而后行。即使已经设计出了一个算法，也应当多问自己是 否还有更好的解法。 程序设计的首要任务是找到正确的算法... -
分屏与标签页
分屏与标签页 窗口分屏 工作中经常会遇到这种情况，就是需要参照其他文档编辑当前文档（场景：翻译），或者从另外一个文档copy 代码到当前文档（场景：复制 html 元素类名到 css 文档），这时候就是你最需要分屏的时候。 分屏方式 :split 缩写 :sp or Ctrl-w s 上下分屏 :vsplit 缩写 :v... -
Probability distributions - torch.distributions
Probability distributions - torch.distributions Distribution (概率分布) Bernoulli (伯努利分布) Categorical (类别分布) Normal (正态分布) Probability distributions - torch.distributions 译者：@叶... -
3.6 编程案例：如何求 n 个数据的最大值？
3.6 编程案例：如何求 n 个数据的最大值？ 3.6 编程案例：如何求 n 个数据的最大值？ 面对复杂问题时，我们需要合理利用基本控制结构，设计出好的算法。对此，并不存在什么机械的套路可循，只能通过大量实践来提供我们的程序设计水平。本节通过一个案例问 题的解决，来展示程序设计过程的挑战性以及“好”程序的特征。 我们要解决的问题是：从 n 个数值中求... -
致谢
致谢 文档翻译 致谢 本项目贡献者如下： 文档翻译 贡献者 页面 章节 ycszen 主页 ycszen 说明 自动求导机制 ycszen 说明 CUDA语义 KeithYin 说明 扩展PyTorch ycszen 说明 多进程最佳实践 ycszen 说明 序列化语义 ...
