dear_jing的博客

训练网络时，想查看网络模型结构，网上有各种方法。有些方法复杂，但只需要一种库就可以；有些方法虽然简单，但需要多种库配合使用。总结了一下，列出了个人觉得**安装最简单，使用和配置也很简洁的方法**。

安装pip，“no module named sysconfig”解决方法，安装Anaconda3，新建Anaconda虚拟环境

本文是《动手学深度学习（pytorch）》“3.6 softmax 的从零开始实现”的笔记，具体解释请参考原文。

PyTorch—— 图像分类数据集（Fashion-MNIST）0、前言一、获取数据集二、读取小批量数据本文是学习《动手学深度学习（pytorch）》“3.5 图像分类数据集（Fashion-MNIST）” 的笔记，具体解释请参考原文。0、前言使用到的包主要是torchvision，它主要由以下几部分构成：torchvision.datasets：一些加载数据的函数及常用的数据集接口；torchvision.models：包含常用的模型结构（含预训练模型），例如AlexNet、VGG、ResNe

PyTorch——线性回归的从零开始实现一、生成数据集二、读取数据本文是学习《动手学深度学习（pytorch）》“3.2 线性回归的从零开始实现” 的笔记，具体解释请参考原文。一、生成数据集构造一个简单的人工训练数据集。设训练数据集样本数为1000，输入个数（特征数）为2。线性回归模型的真实权重 w=[2,−3.4]（转置） 和偏差 b=4.2，以及一个随机噪声项 ϵ 来生成标签。公式为：labels = w * features + b + ϵ其中，噪声项 ϵ服从均值为0、标准差为0.01的正

首先，先直观上理解一下两种返回方式的区别：python中yield的用法详解——最简单，最清晰的解释然后，概括的理解一下：python-复盘-yield & return区别yield 能和 for 循环共同使用最后，两种返回值，在 for 循环上的区别：import torchdef fun(): for i in range(3): a = torch.tensor([[1,2]]) b = torch.tensor([[3,4,5]])

PyTorch构建简单的网络，并实现可视化一、数据集准备1.数据加载2.数据预处理3.划分训练集、测试集二、构建网络三、定义优化器和损失函数四、训练网络五、测试网络效果六、数据分析一、数据集准备1.数据加载使用波士顿房价数据集（Boston House Price Dataset）下载地址。使用sklearn.datasets.load_boston即可加载from sklearn.dat...

安装pytorch、使用pip安装时from scipy.misc import imread报错