奋斗の博客

前言深度学习并没有想象的那么难，甚至比有些传统的机器学习更简单。所用到的数学知识也不需要特别的高深。这篇文章将利用PyTorch来实现线性回归这个经典的模型。一、线性回归理论线性回归时利用数理统计中的回归分析来确定两种或者两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛。回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。简单的说

一、前言MNIST手写数字识别程序就不过多赘述了，这个程序在深度学习中的地位跟C语言中的Hello World地位并驾齐驱，虽然很基础，但很重要，是深度学习入门必备的程序之一。二、MNIST数据集介绍MNIST包括6万张28*28的训练样本，1万张测试样本。三、PyTorch实现3.1 定义超参数# 定义超参数BATCH_SIZE=512 #大概需要2G的显存EPOCHS=20 # 总共训练批次DEVICE = torch.device("cuda" if torch.cuda.is_av

一、前言经过慎重考虑，决定新开一个系列，该系列文章主要的目的就是利用PyTorch、Python实现深度学习中的一些经典模型，接下来一段时间的安排如下：UNetResNetVggNetAlexNet本文首先实现UNet，关于UNet的详细介绍请移步深度学习模型解析系列文章–白话详解UNet二、网络结构详解UNet总体上分为编码器和解码器，其中编码器负责提取特征信息，解码器负责还原特征信息；编码器主要由4个块组成，每个块分别由2个卷积层、1个最大池化层组成。解码器也是由4个块组成，每个块