OCR功能设计，辅助seq2seq，基于pytorch，半成品。

1、使用Tensor初始化一个1×3的矩阵M和一个2×1的矩阵N，对两矩阵进行减法操作（三种不同形式），给出结果并分析三种方式的不同。 2、①利用Tensor创建两个大小分别3×2和4×2的随机数矩阵P和Q，要求服从均值为0，标准差0.01为的正态分布；②对第1步得到的矩阵Q进行形状变换得到Q的转置QT；③对上述得到的矩阵P和矩阵QT求矩阵相乘。 3、给定公式y3=y1+y2=x2+x3，且x=1。利用学习所得到的Tensor的相关知识，求y3对x的梯度。

本资源是语义分割模型 DeeplabV3plus 的 pytorch 复现，其 backbone 包括 Xception、Resnet101 和 MobilenetV2。 项目仅提供代码，没有给出训练后的模型！

此教程不单独安装cuda和cudnn，如果GPU是NVIDIA 的可以直接安装pytorch包里面自动安装好cuda即可，安装好此教程可以在pycharm中跑数据进行深度学习相关工作，但是此教程只针对电脑含有NVIDIA英伟达GPU的。

Slim GAIN（SGAIN）的pytorch代码实现，可参考文章：https://blog.csdn.net/didi_ya/article/details/125459154

《深度学习框架PyTorch：入门与实践》教程及全部源码及训练数据。 第二章介绍如何安装PyTorch和配置学习环境。 第三章介绍了PyTorch中多维数组Tensor和动态图autograd/Variable的使用，并配以例子。 第四章介绍了PyTorch中神经网络模块nn的基础用法，同时讲解了神经网络中“层”，“损失函数”，“优化器”等，最后带领读者用不到50行的代码搭建出曾夺得ImageNet冠军的ResNet。 第五章介绍了PyTorch中数据加载，GPU加速，持久化和可视化等相关工具。 第六章结合Kaggle中一个经典的比赛，实现一个深度学习中比较简单的图像二分类问题。 第七章为读者讲解了当前最火爆的生成对抗网络（GAN），带领读者从头实现一个动漫头像生成器，能够利用GAN生成风格多变的动漫头像。 第八章为读者讲解了风格迁移的相关知识，并带领读者实现风格迁移网络 第九章为读者讲解了一些自然语言处理的基础知识，并讲解了CharRNN的原理。而后利用收集了几万首唐诗，训练出了一个可以自动写诗歌的小程序。 第十章为读者介绍了图像描述任务，并以最新的AI Challenger比赛的。

以上代码的详细debug过程，请参考我的这篇博客【Pytorch框架学习路径(七：数据读取机制DataLoader与Dataset)】，下面是博客链接：https://blog.csdn.net/weixin_54546190/article/details/125102260?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22125102260%22%2C%22source%22%3A%22weixin_54546190%22%7D&ctrtid=Lm451。

深度学习PyTorch极简入门PDF教程，18章合为一个文件 第01课：深度学习概述 第02课：深度学习 Python 必备知识点 ... 第18课：项目实战——利用 PyTorch 构建 RNN 模型

已剔除干扰数据，自己项目（表情识别）训练时epoch的best_Test_acc可达91.919

动手学深度学习-pytorch-源代码