c_Qyaya的博客

HELLO SYT使用wfdb包对MIT-BIH数据集进行处理。1、读取数据record方法使用record方法来读取数据rdrecord(record_name, sampfrom=0, sampto=None, channels=None,physical=True, pb_dir=None）参数说明：record_name: 数据存储的位置sampfrom: 默认为0sampto : 数据截取长度；channels : 选择读取某个通道的数据，默认读取全部通道；physical

Ciao SYTCiao SYT

Transformer原理优势：1、并行计算2、全局视野3、灵活的堆叠能力并行计算和全局视野是multi-head结构所赋予的优势灵活的堆叠能力是transform的block的优势1、并行计算针对RNN，RNN中的计算完全是线性顺序进行，很难并行计算2、全局视野针对CNN，CNN中的感受野只有卷积核那么大，无法获得全局的视野CNN只能通过增加网络深度来获得更大的视野3、灵活的堆叠能力其encoder和decoder模块可以“无限”堆叠，也不会出现梯度消失和梯度爆炸的问题Tra

Hello SYT正则化基本知识的回顾正则化(Regularization)：减小方差的策略、降低过拟合现象的策略正则化分为两类第一类：L1、L2正则化第二类：drop outL1、L2正则化：通过调整模型中的weight，降低weight来减小过拟合。其实模型中有两个参数可以调整，weight和bias，通过数学公式的推导可以得到，调整一个weight就可以实现降低参数值并实现减小过拟合的目的。目标函数 = Cost + Regularization TermL2正则化又称为

Hello SYT学习率/LR：控制参数更新的步长梯度下降：学习率调整策略：前期大，后期小pytorch中有6中学习率调整策略，但都是基于class_LRScheduler类class_LRScheduler基本属性：optimizer:学习率所关联的优化器last_epoch:记录epoch数，即学习率的调整是以epoch为周期的base_lrs:记录初始学习率主要方法：step()：更新下一个epoch的学习率get_lr()：虚函数，需要override，计算下一个epoch

Hello SYT数据模块数据循环训练中的部分概念：Epoch：所有训练样本数据都被输入到模型中一次，称为一个EpochIteration：一批训练样本输入到模型中一次，成为一个IterationBatchsize：批次大小，一个Epoch中有多少个Iteration的数量举例：训练样本总数：800Batchsize：8则：1个Iteration有80个数据：每次模型训练输入80个数据训练8次之后，所有样本数据会训练一遍，此时称为一个Epoch1个Epoch = 10个 Iterat

Hello SYT一、Optimizer 优化器优化器：管理并更新模型中可学习参数的值（weight,bias等），使得模型输出更接近真实标签，即降低loss值梯度：指向方向导数取得最大值方向的向量二、Optimizer的基本属性defaults：优化器超参数（学习率、momentum值）state：存储参数的缓存，如momentum的缓存（前几次梯度的值）param_groups：需要管理的参数组，即模型中需要迭代更新的参数（weight,bias等）step_count：记录更新次数，学

Hello SYT损失函数模块：损失函数的构建分为选择损失函数，在循环中得到损失值并反向传播三步loss_function = nn.CrossEntropyLoss() # 选择损失函数#训练之后，获得outputsloss = loss_function(outputs, labels) # 得到损失值loss.backward() # 反向传播损失函数的选择：pytorch中有如下18种损失函数nn.CrossEntropyLossnn.NLLLossnn.BCELoss

内容不全，遇到想写的就写写os库import osos.path.abspath()和os.path.join()os.path.abspath() 绝对路径如果给的是一个路径，则会把其转换成绝对路径的格式。如果提供的不是路径，则会与程序保存的本地路径拼接os.path.join() 路径拼接例1：split_dir = os.path.abspath("D:/pytorch_lesson/Pytorch-Camp-master/hello pytorch/lesson/lesson-15

随机种子模块def set_seed(seed=1): random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) torch.cuda.manual_seed(seed)set_seed(2)逆transform模块输入：transform之后的图片数据，tensor输出：原始图片数据，PIL格式数据def transform_invert(img_, transform_train): """ 将d

有监督学习：KNN、逻辑回归、线性回归、随机森林、朴素贝叶斯、SVM（向量机）、决策树、人工神经网络、Adaboost无监督学习：层次聚类、PCA、K-MEANS、AP聚类、DBSCAN、EM算法强化学习：Q_leaning算法、TD算法一、分类问题（Classification）:有监督学习，对带有标签的训练数据进行学习，标签为离散数据，预测结果也为离散二、回归问题（Regression）：有监督学习，标签为连续数据，预测结果为连续数据三、聚类（Clustering）无监督学习，划分出离散

k-近邻算法，k选择样本数，即与测试样本最接近的k个训练样本，根据这k个训练样本来对测试样本进行分类。分类原则：有两套分类原则，一般第二套辅助第一套使用第一套：k个训练样本中哪一类样本种类最多则测试样本属于哪一类第二套：k个训练样本中每类样本中的训练样本与测试样本距离之和，即若在k个训练样本中有两类样本的数量相同，则比较距离，选择距离更近的那一类问题：k必须是奇数吗？回答：不一定，若出现两类训练样本个数相同时，可以用第二套分类原则来进行辅助判断问题：如果k是无穷大？回答：则训练结果会固定为.

论文：综述论文、专题论文DOI：百度学术：整理论文：泛读、精读、总结一：泛读：摘要、标题、结论、图表单独整理出：摘要、大小标题、结论、图表摘要——>标题——>摘要——>结论——>图表能回答三个问题：1、解决什么问题2、采用的什么方法3、达到了什么效果二、精读：标亮需要重点阅读部分的小标题能准确复数需要精读段落三、总结总结：创新点、关键点、启发点四、阅读效果自测回答三个问题：1、你是谁：论文提出/采用什么方法，细节是什么2、从

try: 可能出错的代码块except: 出错后执行的代码块else： 没有出错的代码块finally: 有无出错都要执行的代码块try: li = [1,2,3] print(li[3]) # IndexError print(a)#NameErrorexcept NameError as msg: print(msg)except Exception as result: print(result)print('已执行')输出：

单例模式：一种常见软件涉及模式目的：确保某一个类只有一个实例存在法一：基于__new__实现class DataBaseClass(object): __instance = None def __new__(cls, *args, **kwargs): if not cls.__instance: cls.__instance = super(DataBaseClass,cls).__new__(cls) return cls.

变量设为私有之后，编写set和get函数实现对私有变量的访问。将set、get函数传入property（属性函数），实现可以通过（对象名.变量名）的形式访问和修改。方法一：property的使用：变量名 = property()class Person(): def get_Age(self): return self.__age def set_Age(self,age): if (age > 0 & age<150): self.__age = age e

变量私有化1、变量前加__(两个下划线)，则变量私有化2、私有化的变量不能在外部直接访问，可以在类的内部随意使用。3、子类不会继承父类私有化的变量class Animal(): def eat(self): print('动物在吃东西') pass def __run(self): print('动物在跑') pass passclass Dog(Animal): passdog1 = Dog()dog1.eat()dog1.__run()报错：动物在吃东西

类属性：类中，方法外定义的属性。可通过类名和对象名访问实例属性：类中，方法中定义的属性。只能通过对象名访问。类属性和实例属性是两种单独的属性，类属性的调用方法：类名.属性名，没有同名实例属性时也可self.属性名调用。实例属性的调用方法：类内部：self.属性名，类外部：对象名.属性名。即使两个属性的命名相同，也是毫无关系的两个属性。class Student(): name = '无名氏' def __init__(self,name,age,sex): self.name = name

1、单继承：class Animal(): def eat(self): print('动物需要吃饭') pass def drink(self): print('动物需要喝水') pass passclass Dog(Animal): def __init__(self,kind): self.kind = kind def __str__(self): return '这是{}品种的狗'.format(self.kind)dog1 = Dog('金毛')dog1

class 类名(): def 实例方法(self): pass pass类名采用驼峰式命名法实例方法：在类中的方法，第一个参数必须为self类属性：定义在类内部，方法外部的变量实例属性：方法内，使用self引用的属性class Person(): ...

一、Series相比于numpy的ndarray，pandas的Series拥有更多的函数，比如describe()函数s1 = pd.Series([1,2,3,4,5,6])print(s1.describe())输出：count 6.000000mean 3.500000std 1.870829min 1.00000025% 2.25000050% 3.50000075% 4.750000max 6.0

随机数random.rand(a,b)生成一个a行3列的随机数矩阵，随机数在[0,1)之间产生，符合平均分布import numpy as npa = np.random.rand(2,2)print(a)[[0.44032169 0.49744575][0.70560876 0.45255616]]random.randn()生成给定维度的符合标准正态分布的随机数若要产生均值为a，方差为b则b**1/2*np.random.randn(2,2)+a...

numpy中的一维数组一、向量运算numpy中的一维数组为ndarray数据类型+、-、*、/、**（次方）：同纬度ndarray对应位之间操作ndarray+数字：所有位加数字list不能加数字，只能加同纬度list、ndarray相加ndarray+ndarray：对应位相加，需要维度相同&、|、~运算：当数据位boolean类型时，是与或非操作当数据为整数时，是按位做与或非操作3&1 = 1110101->1~3:所有位取非，64位的电脑会把3转换为6

format()的使用print( ‘输出：{}’.format( ) )格式化输出，format中填写要输出的内容，会填写到{}中全局变量、局部变量函数外部为全局变量，函数内部为局部变量1、想要在函数中修改函数外的全局变量，需要在变量前加global。2、若局部变量与全局变量重名，则以函数内部的局部变量为准。匿名函数lambda 参数1,参数2:表达式1、表达式只能有一个2、自带return，返回表达式计算的结果3、只能满足简单逻辑，复杂逻辑还需defs = lambda x,y

定义：def 函数名(参数列表): 代码块

列表 （list）元组（tuple）字典（dict）集合(set)[1,2,3](1,2,3){‘name’:‘Nick’,‘gender’:‘male’}{'Nick,1}可以同时存数字、字符串等，有序存储特殊的列表，无法更改其中元素，只能重新赋值。有序存储以键值对形式储存，无序存储类似与列表但元素不可重复且无序...