小编lum*_*uri的帖子

我了解register_buffer 的作用以及register_buffer 和 register_parameters之间的区别。

但是 PyTorch 中缓冲区的准确定义是什么？

前提1：

关于 RNN 层中的神经元 - 我的理解是“在每个时间步长，每个神经元都接收输入向量 x (t) 和来自前一个时间步长 y (t –1) 的输出向量” ^[1]：

前提2：

也是我的理解，在Pytorch的GRU层中，input_size和hidden_​​size的含义如下：

• input_size – 输入 x 中预期特征的数量
• hidden_​​size – 隐藏状态中的特征数 h

所以很自然地，hidden_​​size应该代表 GRU 层中的神经元数量。

我的问题：

给定以下 GRU 层：

# assume that hidden_size = 3

class Encoder(nn.Module):
    def __init__(self, src_dictionary_size, hidden_size):
        super(Encoder, self).__init__()
        self.embedding = nn.Embedding(src_dictionary_size, hidden_size)
        self.gru = nn.GRU(input_size = hidden_size, hidden_size = hidden_size)

假设 hidden_​​size 为 3，我的理解是上面的 GRU 层将有 3 个神经元，每个神经元在每个时间步同时接受一个大小为 3 的输入向量。

我的问题是：为什么hidden_​​size和input_size …

假设我在 Pytorch 中有一个 CNN 模型和以下大小的 2 个输入：

• input_1: [2, 1, 28, 28]
• input_2: [10, 1, 28, 28]

注意事项：

• 重申一下，input_1 是batch_size == 2，input_2 是batch_size == 10。
• Input_2是input_1的超集。即input_2包含input_1中相同位置的 2 张图像。

我的问题是：CNN 如何处理两个输入中的图像？即 CNN 是否按顺序处理批次中的每个图像？或者它是否将批量大小的所有图像连接起来，然后按照通常的方式执行卷积？

我问的原因是因为：

• CNN(input_1) != CNN(input_2)[:2] 的输出

也就是说，batch_size 的差异导致相同位置的两个输入的 CNN 输出略有不同。

如何在 Pytorch 中将字符串列表转换为字符串/字符张量？

numpy 的相关示例：

import numpy as np

mylist = ["this","is","my","list"]

np.array([mylist])

返回：

array([['this', 'is', 'my', 'list']], dtype='<U4')

然而，在pytorch中：

torch.tensor(mylist)

返回：

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-156-36722d81da09> in <module>
----> 1 torch.tensor(mylist)

ValueError: too many dimensions 'str'

张量是一个多维数组，所以我假设这在 pytorch 中是可能的。

注意：这篇文章没有回答我的问题