使用PyNative模式调试 概述 执行单算子 执行普通函数 提升PyNative性能 调试网络训练模型 使用PyNative模式调试 Linux Ascend GPU 模型开发 初级 中级 高级 概述 MindSpore支持两种运行模式，在调试或者运行方面做了不同的优化: PyNative模式：也称动态...

编辑器开发简介 技术选择 目录结构 scene/ 中文件对编辑器的依赖性 开发技巧 编辑器开发简介 在这一页，你将了解到: Godot 编辑器背后的设计决策 。 如何高效地处理Godot编辑器的C++代码。 本指南针对的是目前或未来的引擎贡献者。要在GDScript中创建编辑器插件，请参见 制作插件 。 参见 如果你是 G...

1. 监督学习 1. 监督学习 1.1 广义线性模型 1.1.1 普通最小二乘法 1.1.2 岭回归 1.1.3 Lasso 1.1.4 多任务 Lasso 1.1.5 弹性网络 1.1.6 多任务弹性网络 1.1.7 最小角回归 1.1.8 LARS Lasso 1.1.9 正交匹配追踪法（OMP） 1.1.10 贝叶斯回归 ...

强化学习(DQN）教程 重播记忆 (Replay Memory) DQN 算法 Q-network 获取输入 训练 超参数和函数 训练循环 强化学习(DQN）教程 译者：@Lisanaaa 作者 : Adam Paszke 本教程演示如何使用 PyTorch 对任务 CartPole-v0 训练 Deep Q Learni...

动态图转静态图 动态图转静态图 动态图有诸多优点，包括易用的接口，Python风格的编程体验，友好的debug交互机制等。在动态图模式下，代码是按照我们编写的顺序依次执行。这种机制更符合Python程序员的习 惯，可以很方便地将大脑中的想法快速地转化为实际代码，也更容易调试。但在性能方面， Python执行开销较大，与C++有一定差距。因此在工业界的...

用例子学习 PyTorch 张量 Warm-up：Numpy PyTorch：张量 自动求导 PyTorch：张量和自动求导 PyTorch：定义新的自动求导函数 TensorFlow：静态图 nn 模块 PyTorch：nn PyTorch：optim PyTorch：自定义nn模块 PyTorch：控制流+权重共享 例子 张量 ...

网站群和缓存 网站群和缓存 现在假设我们有一个社交网站，有数以百万的用户简介，一些著名用户的简介页面每分钟有数百或数千人访问。 要生成一个用户简介，需要多个 SQL 查询（朋友、相册名称及照片总数、简介信息、最后状态等）。 只要用户没有更新个人资料，在个人资料页显示的信息几乎是静态的。因此，个人资料页的快照可以缓存 5 分钟或 1 小时等。 但...

多层感知机训练 功能介绍 参数说明 脚本示例 脚本代码 脚本运行结果 多层感知机训练 功能介绍 多层感知机多分类模型 参数说明 名称 中文名称 描述 类型 是否必须？ 默认值 layers 神经网络层大小 神经网络层大小 int[] ✓ blockSize 数据分块大小，默认值64 ...

多层感知机训练 功能介绍 参数说明 脚本示例 脚本代码 脚本运行结果 多层感知机训练 功能介绍 多层感知机多分类模型 参数说明 名称 中文名称 描述 类型 是否必须？ 默认值 layers 神经网络层大小 神经网络层大小 int[] ✓ blockSize 数据分块大小，默认值64...

Dropout 参数 形状 代码示例 Dropout paddle.nn.Dropout ( p=0.5, axis=None, mode=”upscale_in_train”, name=None ) [源代码] Dropout是一种正则化手段，该算子根据给定的丢弃概率 p ，在训练过程中随机将一些神经元输出设置为0，通过阻止神经元节点...