艾醒的博客

在配置环境和使用torch_npu时遇到的问题以及解决方法

Python深度学习基础：激活函数的介绍以及图像的对比展示

通过公式推导透彻理解反向传递，使用Python实现乘法层、加法层、Relu层、Sigmoid层、带交叉熵误差的SoftMax层的反向传递实例

全连接层以及反向传递的理解与手动实现

均方误差（MSE），L2范式与闵可夫斯基距离，交叉熵误差（cross_entropy_error），极大似然损失函数（LR）的函数公式，应用场景以及代码的实现

SoftMax函数的简介、公式推导、公式化简，以及代码实现

从零开始在ubuntu操作系统中配置pytorch深度学习环境

根据之前的文章我们可以很容易的搭建出多层神经网络，下面我们以其中一种方式为例实现多层神经网络，推荐使用jupyter notebook

假设我们有一个房价预测的问题，我们有很多条数据，每一个数据项有很多特征，这些特征就是x，而房价就是y，线性回归要解决的就是得出一批合适的w和b来实现x向y的映射，使得我们得到x时就可以预测出y。但是不是所有的问题都可以得到解析解，所以我们一般使用梯度下降的方式进行优化，优化方式是：各个参数沿着梯度的反方向更新，梯度方向就是方向导数最大的方向。为了求得权值和偏置的最优值，我们需要定义损失函数，通过降低损失函数的损失进行权值和偏置的优化。

提到卷积，应该多数人都会想到类似上图的这种示例，可以简单的理解成卷积核与图像中和卷积核相同大小的一块区域与卷积核相乘再求和，通过移动区域产生一个有和组成的新的图像，那么卷积核是什么呢，本文将从原理通俗易懂的介绍卷积核

本篇文章将介绍常用的线性CNN模型，其中包括LeNet， AlexNet, VGG，并用fashion_mnist数据集为例解释并演示CNN模型的训练和测试过程

在本专栏的上一篇博客中我们介绍了常用的线性模型，在本文中我们将介绍GoogleNet、resNet、denseNet这类结构化的模型的构建方式。

在前面的两篇文章中我们介绍了现代计算机视觉中常见的结构化和非结构化的CNN模型，本篇我们将使用这些CNN模型在手写数学符号数据集上进行识别。CNN模型的介绍请参照之前的两篇文章，源码放到最后。

基于U-net和deeplabv+的航拍街道语义分割

目标检测是一个常见的计算机视觉任务，在目标检测任务中，交并比作为评判检测框的标准具有很重要的意义，在实际的应用中，人们又对最初的IoU进行了诸多的改进。本文将对IoU以及他的改进形式的思路以及公式进行详细通俗的介绍。