machine-learning - 如何在pytorch中实现像GRU这样的高效结构?
问题描述
我有一个经过预训练的模型 A。该模型 A 将采用 x_{t-1} 和 p_{t} 来预测 x_{t}。因为它实际上是一个 PyTorch 神经网络,所以它是可微的。我想要做的是我希望这个模型沿着 P = {p_i}(从最后一层预测的序列)移动并预测 X = {x_i}。但是,要预测 x_{t},此模型需要获取最后一帧 x_{t-1} 的输出。因此,我使用 for 循环实现了这个结构,这使得过程非常缓慢……</p>
有没有办法加速这个过程?这种结构与 GRU 或 LSTM 非常相似,但 GRU 速度要快得多,我该如何改进呢?
解决方案
推荐阅读
- python - 获取数据帧 pandas 中数据时间的索引
- flutter - 如何将参数传递给 Riverpod 中的 ChangeNotifierProvider?
- r - 如何在rmarkdown中使用输入框和动作按钮输出本地图形
- python - 登录页面上的 Django-LDAP 身份验证
- reactjs - 将 localStorage.getItem() 与打字稿一起使用
- android - 无法点击 FAB 按钮的下半部分(与 CustomBottomNavigationBar 结合使用)
- javascript - Babel 忽略 IE6 目标?
- python - 如何使用open cv python计算水平线的数量?
- php - 正则表达式匹配字符串的不同变体?
- r - 通过厨师距离和 lm 模型去除异常值