echo245的博客

1.概念原理处理带有序列信息的数据RNNCell：线性层，循环执行2.3.

1.概念原理1x1卷积核：改变通道数量；减少运算的数量2.代码实现3.结果展示

1.概念原理利用卷积盒，对数据矩阵进行相乘相加每个通道对应一个盒2.代码实现import torchfrom torchvision import transformsfrom torchvision import datasetsfrom torch.utils.data import DataLoaderimport torch.nn.functional as Fimport torch.optim as optim# prepare datasetbatch_size

1.概念softMax：概率分布，将每个项的值/累加的值=每个结果出现的概率值NLLLoss：就是把输出与Label对应的那个值拿出来，再去掉负号，再求均值CrossEntropyLoss：就是把Softmax–Log–NLLLoss合并成一步2.代码实现import torchfrom torchvision import transformsfrom torchvision import datasetsfrom torch.utils.data import DataLoader

1.原理单个样本 :得到比较好的随机性，较好的跨越鞍点；训练时间长batch：最大化提升向量计算优势，提高计算效率；性能较差mini-batch：均衡结果性能和计算速度2.新概念DateSet：抽象类，无法实例化；可继承DataLoader：加载数据3.代码实现import torchimport numpy as npfrom torch.utils.data import Datasetfrom torch.utils.data import DataLoader

1.原理对数据矩阵使用广播机制降维操作2.代码实现import numpy as npimport torchimport matplotlib.pyplot as plt# prepare datasetxy = np.loadtxt('diabetes.csv', delimiter=',', dtype=np.float32)x_data = torch.from_numpy(xy[:, :-1])y_data = torch.from_numpy(xy[:, [-1]])

1.原理添加激活函数，避免线性回归的无效2.代码实现import torch# import torch.nn.functional as F# prepare datasetx_data = torch.Tensor([[1.0], [2.0], [3.0], [4.0]])y_data = torch.Tensor([[0], [0], [1], [1]])# design model using classclass LogisticRegressionModel(tor

1.原理使用PyTorch的内部函数实现线性回归，训练模型2.代码展示# author:ZhuYuYing# data:2021/7/6# projectName:tor-startimport torchx_data = torch.tensor([[1.0], [2.0], [3.0]])y_data = torch.tensor([[2.0], [4.0], [6.0]])'''__init__() 初始化函数torch.nn.Linear 第一个参数

1.数学含义y = w * x2.含义解释使用pytorch的内置backward函数进行自动求导3.代码演示import torchx_data = [1.0,2.0,3.0]y_data = [2.0,4.0,6.0]w = torch.tensor([1.0]) # 版本选择w.requires_grad = True #是否计算梯度def forward(x): return x * wdef loss(x,y):

1.数学含义y = w * xcost = 1/n ∑（y_pred - y）^2grad = 2 * x * (x * w - y)2.含义解释线性回归反向传播对cost函数求w导得出w的变化率，更新w求得最佳3.代码实现import math# 数据x_data = [1.0,2.0,3.0]y_data = [2.0,4.0,6.0]w = 1.999#线性传播，计算y = w * xdef forword(x): return x * w#

1、数学含义y = w * xloss = （y_pred - y）^22.含义解释通过简单的线性函数来对未知数x及y建立映射在每次取不同的w时计算预测y_pred和真实值y的差值，以观看那个w最佳3.代码实现import numpy as npfrom matplotlib import pyplot as pltimport math# 数据x_data = [1.0,2.0,3.0]y_data = [2.0,4.0,6.0]#线性传播，计算y = w * xd