深度学习笔记003 数据操作&线性代数&自动求导及实现

FakeOccupational

于 2021-07-09 18:14:14 发布

阅读量93

点赞数

CC 4.0 BY-SA版权

分类专栏：深度学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/ResumeProject/article/details/118391901

深度学习专栏收录该内容

175 篇文章

订阅专栏

本文探讨了自动求导在解决机器学习中的优化问题中的作用，特别是对于凸函数最优解的情况。同时，解释了计算图的概念，包括显式和隐式构造，并指出其在Python库如PyTorch中的应用。文章强调了自动求导在数值计算和符号计算之间的差异，并在实际问题中如何利用这些工具进行高效优化。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

数据操作

在这里插入图片描述

[::3,::2]代表的是行每3行一跳，列是每两列一跳

在这里插入图片描述

bold的代表向量，一个向量对一个向量的导数是一个矩阵：

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
答：如果是凸函数有最优解，机器学习考虑的是NP问题，往往无法达到最优解。

自动求导及实现

在这里插入图片描述

在这里插入图片描述

自动求导

在这里插入图片描述

区别符号计算与数值拟合

pythorch实用计算图(有点像链式法则)

在这里插入图片描述
显示构造就像小学的先化简再赋值:

隐式构造就是让系统先记住值：

两个计算方式：
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。