<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Learning_AI的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Learning_AI</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Learning_AI]]></copyright><item><title><![CDATA[用Git从Github上clone项目到Pycharm]]></title><link>https://blog.youkuaiyun.com/Learning_AI/article/details/123168489</link><guid>https://blog.youkuaiyun.com/Learning_AI/article/details/123168489</guid><author>Learning_AI</author><pubDate>Mon, 28 Feb 2022 19:29:01 +0800</pubDate><description><![CDATA[最近在复现Yolo-v1代码，就尝试从GitHub上克隆了Yolov1代码到PyCharm中，本文记录一下学习的克隆过程。
]]></description><category></category></item><item><title><![CDATA[Pytorch深度学习—— 自己设计模型训练MNIST（B站刘二大人P10作业）]]></title><link>https://blog.youkuaiyun.com/Learning_AI/article/details/122672583</link><guid>https://blog.youkuaiyun.com/Learning_AI/article/details/122672583</guid><author>Learning_AI</author><pubDate>Thu, 27 Jan 2022 18:37:32 +0800</pubDate><description><![CDATA[作业内容：自己设计卷积核大小，池化层、以及线性层的参数，要求有三个卷积层，三个激活层、三个池化层以及三个线性层，用自己设计的卷积网络训练MNIST数据集。

选择下图结构的卷积神经网络来进行训练：





步骤：

选择 3x 3的卷积核，输入通道为 1，输出通道为 10：此时图像矩阵经过 3x 3的卷积核后会小1圈，也就是2个数位，变成 26x 26，输出通道为10；
	选择 2 x 2 的最大池化层：此时图像大小缩短一半，变成 13x 13，通道数不变；
	再次经过 2x 2的卷...]]></description><category></category></item><item><title><![CDATA[Pytorch深度学习——用卷积神经网络实现MNIST数据集分类]]></title><link>https://blog.youkuaiyun.com/Learning_AI/article/details/122641455</link><guid>https://blog.youkuaiyun.com/Learning_AI/article/details/122641455</guid><author>Learning_AI</author><pubDate>Mon, 24 Jan 2022 17:42:19 +0800</pubDate><description><![CDATA[选择下图结构的卷积神经网络来进行训练：]]></description><category></category></item><item><title><![CDATA[Pytorch深度学习——用全连接神经网络实现MNIST数据集分类]]></title><link>https://blog.youkuaiyun.com/Learning_AI/article/details/122664814</link><guid>https://blog.youkuaiyun.com/Learning_AI/article/details/122664814</guid><author>Learning_AI</author><pubDate>Mon, 24 Jan 2022 12:19:27 +0800</pubDate><description><![CDATA[我们之前学习的案例中，输入x都是一个向量；在MNIST数据集中，我们需要输入的是一个图像，怎样，图像怎么才能输入到模型中进行训练呢？一种方法是我们可以把图像映射成一个矩向量，再输入到模型中进行训练。

    怎样将一个图像映射成一个向量？

    如图所示是MNIST数据集中一个方格的图像，它是由28x28=784个像素组成，其中越深的地方数值越接近0，越亮的地方数值越接近1。



    因此可以将此图像按照对应的像素和数值映射成一个28x28的一个矩阵，如下...]]></description><category></category></item><item><title><![CDATA[Pytorch深度学习—— 卷积神经网络基础篇（B站刘二大人P10学习笔记）]]></title><link>https://blog.youkuaiyun.com/Learning_AI/article/details/122556894</link><guid>https://blog.youkuaiyun.com/Learning_AI/article/details/122556894</guid><author>Learning_AI</author><pubDate>Sat, 22 Jan 2022 18:23:12 +0800</pubDate><description><![CDATA[之前我们学习的网络全是由线性层串行连接起来的，这种网络被称为全连接网络，全连接网络在数值计算的时候，会丧失掉图片特征中的一些空间的信息。而卷积神经网络可以很好的保留图像的空间特征。如图所示，是卷积神经网络的基本工作方式：
]]></description><category></category></item><item><title><![CDATA[Pytorch深度学习——多分类问题、MNIST训练实例（B站刘二大人P9学习笔记）]]></title><link>https://blog.youkuaiyun.com/Learning_AI/article/details/122535081</link><guid>https://blog.youkuaiyun.com/Learning_AI/article/details/122535081</guid><author>Learning_AI</author><pubDate>Tue, 18 Jan 2022 13:28:32 +0800</pubDate><description><![CDATA[本节课以深度学习经典数据集MNIST数据集为例展开，详细介绍Softmax激活函数，NLLLoss损失函数，CrossEntropyLoss损失函数、单通道与多通道图像、以及MNIST训练从数据集的准备、模型的建立到训练的全过程代码详解。]]></description><category></category></item><item><title><![CDATA[Pytorch深度学习——Kaggle网站中泰坦尼克号作业（B站刘二大人P8作业）]]></title><link>https://blog.youkuaiyun.com/Learning_AI/article/details/122460458</link><guid>https://blog.youkuaiyun.com/Learning_AI/article/details/122460458</guid><author>Learning_AI</author><pubDate>Fri, 14 Jan 2022 20:37:24 +0800</pubDate><description><![CDATA[Kaggle网址如下：泰坦尼克号 - 来自灾难|的机器学习卡格尔 (kaggle.com)

作业描述：


]]></description><category></category></item><item><title><![CDATA[Pytorch深度学习——用Mini-Batch训练数据（B站刘二大人P8学习笔记）]]></title><link>https://blog.youkuaiyun.com/Learning_AI/article/details/121456657</link><guid>https://blog.youkuaiyun.com/Learning_AI/article/details/121456657</guid><author>Learning_AI</author><pubDate>Wed, 12 Jan 2022 19:33:40 +0800</pubDate><description><![CDATA[先前我们学习的内容一种情况是采用Full-Batch来训练数据，还有一种情况是在随机梯度下降中，只去其中一个数据来计算梯度，这种情况可以使我我们很好的解决训练数据时遇到的鞍点问题，但是会导致时间过长。所以，接下来我们要学习的是采用Mini-Batch的方法来训练数据，这种方式可以均衡性能和训练时间上的需求。
Epoch

Batch-Size

Iteration

shuffle 是否打乱顺序
]]></description><category></category></item><item><title><![CDATA[Pytorch深度学习——不同激活函数处理多维特征的输入（B站刘二大人P7作业）]]></title><link>https://blog.youkuaiyun.com/Learning_AI/article/details/121455931</link><guid>https://blog.youkuaiyun.com/Learning_AI/article/details/121455931</guid><author>Learning_AI</author><pubDate>Sun, 21 Nov 2021 19:23:29 +0800</pubDate><description><![CDATA[作业内容：采用不同的激活函数进行训练，并画出不同激活函数的损失曲线进行比较。

PyTorch提供的激活函数有很多，具体可以从以下链接查看：

https://pytorch.org/docs/stable/nn.html#non-linear-activations-weighted-sum-nonlinearity

Hardsigmoid：

torch.nn.Hardsigmoid()

激活公式如下：



训练的损失曲线如下：



​​​​​

Sigmoid

torch.nn....]]></description><category></category></item><item><title><![CDATA[Pytorch深度学习——处理多维度特征的输入（B站刘二大人P7学习笔记）]]></title><link>https://blog.youkuaiyun.com/Learning_AI/article/details/121214953</link><guid>https://blog.youkuaiyun.com/Learning_AI/article/details/121214953</guid><author>Learning_AI</author><pubDate>Mon, 15 Nov 2021 11:15:35 +0800</pubDate><description><![CDATA[每一行叫记录、分类，每一列叫特征、字段，

二维关系表

X1~X8的值构成一个矩阵，Y构成一个矩阵，就完成输入的数据集

Y表示未来一年，糖尿病病情是否会加重

模型的改变

图片

八个特征每一个取值都和一个权重相乘，在家一个偏置量

Pytorch提供的Sigmoid函数是一个按照向量内每个元素计算的函数（Sigmoid function is in an element-wise dashion.）

代码的改变

为什么要把方程运算转换成矩阵运算？

把方程运算转换成矩阵这种向量化的运算之后，可.]]></description><category></category></item><item><title><![CDATA[ACM练习——三整数排序，从键盘输入三个整数x,y和z，按从大到小的顺序输出它们的值。（Python）]]></title><link>https://blog.youkuaiyun.com/Learning_AI/article/details/121138502</link><guid>https://blog.youkuaiyun.com/Learning_AI/article/details/121138502</guid><author>Learning_AI</author><pubDate>Thu, 04 Nov 2021 11:21:06 +0800</pubDate><description><![CDATA[题目描述：从键盘输入三个整数x,y和z，按从大到小的顺序输出它们的值。

输入：输入三个整数x,y和z。

输出：按从大到小的顺序输出它们的值。

样例输入：20 16 18

样例输出：20 18 16

采用列表排序函数 —— sort( )，sorted( )

用法：

列表.sort()，默认升序排序，sort(reverse=True)是降序，输出是一个列表。
	新列表名 = sorted(列表名)
代码：


# 使用sort函数，列表.sort(),默认升序排序，sort(reverse=T]]></description><category></category></item><item><title><![CDATA[PyTorch深度学习——逻辑斯蒂回归（分类问题）（B站刘二大人P6学习笔记）]]></title><link>https://blog.youkuaiyun.com/Learning_AI/article/details/121083825</link><guid>https://blog.youkuaiyun.com/Learning_AI/article/details/121083825</guid><author>Learning_AI</author><pubDate>Tue, 02 Nov 2021 18:49:44 +0800</pubDate><description><![CDATA[什么是分类问题？

分类问题，输出的是概率值，计算它属于每一个分类的所有概率，其中概率最大的那一项就是我们要的输出结果。
PyTorch中 torchvison包 提供一些主流的数据集，root：下载路径。train：是选择训练集还是测试集。download：是否需要下载，第一次使用需要下载。
之前的学习问题，修改成分类问题，x表示学习时间，y表示通过率，0表示不通过，1表示通过，这也叫做”二分类问题“



为什么要使用逻辑斯蒂回归？

在之前我们的学习中，最终预测的是一个实数，而针对分类问题，我们要..]]></description><category></category></item><item><title><![CDATA[深度学习——PyTorch使用不同优化器训练线性回归（B站刘二大人P5作业）]]></title><link>https://blog.youkuaiyun.com/Learning_AI/article/details/120753908</link><guid>https://blog.youkuaiyun.com/Learning_AI/article/details/120753908</guid><author>Learning_AI</author><pubDate>Sun, 31 Oct 2021 19:26:18 +0800</pubDate><description><![CDATA[作业内容：使用不同优化器训练模型，画出不同优化器的损失（Loss）变化图像。



torch.optim.Adagrad




torch.optim.Adam


torch.optim.Adamax


torch.optim.ASGD


torch.optim.LBFGS
注意：LBFGS优化器与本篇其他所有优化器不同，需要重复多次计算函数，因此需要传入一个闭包，让他重新计算你的模型，这个闭包应当清空梯度、计算损失，然后返回损失。

闭包代码如下：


def closu...]]></description><category></category></item><item><title><![CDATA[深度学习——用PyTorch实现线性回归（B站刘二大人P5学习笔记）]]></title><link>https://blog.youkuaiyun.com/Learning_AI/article/details/120729128</link><guid>https://blog.youkuaiyun.com/Learning_AI/article/details/120729128</guid><author>Learning_AI</author><pubDate>Wed, 13 Oct 2021 22:24:15 +0800</pubDate><description><![CDATA[本节课我们将学到：

1、如何来构造神经网络（model）

构建数据集
	设计模型


构造损失函数和优化器
	写训练周期（前馈——反馈——更新）
2、如何来构造损失函数（loss）

3、如何来构造随机梯度下降（sgd）


...]]></description><category></category></item><item><title><![CDATA[深度学习——PyTorch反向传播学习实例（B站刘二大人P4作业）]]></title><link>https://blog.youkuaiyun.com/Learning_AI/article/details/120649441</link><guid>https://blog.youkuaiyun.com/Learning_AI/article/details/120649441</guid><author>Learning_AI</author><pubDate>Sun, 10 Oct 2021 14:45:52 +0800</pubDate><description><![CDATA[作业内容：如图所示函数模型，数据集：x_list[ ] = [1,2,3]，y_list[ ] = [2,4,6]

        （1）画出计算图；

        （2）利用PyTorch实现代码。




]]></description><category></category></item><item><title><![CDATA[PyTorch深度学习——反向传播算法及代码实例（B站刘二大人P4学习笔记）]]></title><link>https://blog.youkuaiyun.com/Learning_AI/article/details/120619381</link><guid>https://blog.youkuaiyun.com/Learning_AI/article/details/120619381</guid><author>Learning_AI</author><pubDate>Fri, 08 Oct 2021 12:58:20 +0800</pubDate><description><![CDATA[11
]]></description><category></category></item><item><title><![CDATA[PyTorch深度学习——梯度下降算法、随机梯度下降算法及实例（B站刘二大人P3学习笔记）]]></title><link>https://blog.youkuaiyun.com/Learning_AI/article/details/120486748</link><guid>https://blog.youkuaiyun.com/Learning_AI/article/details/120486748</guid><author>Learning_AI</author><pubDate>Tue, 05 Oct 2021 22:34:02 +0800</pubDate><description><![CDATA[梯度下降算法
]]></description><category></category></item><item><title><![CDATA[PyTorch深度学习——线性模型（B站刘二大人P2作业）]]></title><link>https://blog.youkuaiyun.com/Learning_AI/article/details/120486713</link><guid>https://blog.youkuaiyun.com/Learning_AI/article/details/120486713</guid><author>Learning_AI</author><pubDate>Tue, 05 Oct 2021 12:45:07 +0800</pubDate><description><![CDATA[二维线性模型
]]></description><category></category></item><item><title><![CDATA[PyTorch深度学习——PyCharm中使用matplotlib画3D曲面图]]></title><link>https://blog.youkuaiyun.com/Learning_AI/article/details/120486778</link><guid>https://blog.youkuaiyun.com/Learning_AI/article/details/120486778</guid><author>Learning_AI</author><pubDate>Tue, 05 Oct 2021 12:43:36 +0800</pubDate><description><![CDATA[Python
]]></description><category></category></item><item><title><![CDATA[PyTorch深度学习——线性模型 Python实例（B站刘二大人P2学习笔记）]]></title><link>https://blog.youkuaiyun.com/Learning_AI/article/details/120486685</link><guid>https://blog.youkuaiyun.com/Learning_AI/article/details/120486685</guid><author>Learning_AI</author><pubDate>Tue, 05 Oct 2021 11:35:40 +0800</pubDate><description><![CDATA[一维线性模型



二维线性模型
]]></description><category></category></item></channel></rss>