深度学习从入门到不想放弃-3

最新推荐文章于 2025-12-26 22:25:18 发布
原创 最新推荐文章于 2025-12-26 22:25:18 发布 · 1k 阅读 · 18 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #人工智能

本文是深度学习基础系列的第三章，探讨Tensor的变形操作，包括view、size、reshape、transpose和permute等。内容涉及如何改变Tensor的形状以适应计算需求，解释了Tensor的连续性概念，并通过实例解析了不同操作对Tensor的影响，帮助读者更好地理解和应用这些基础概念。

 不知不觉我写了5篇公众号了，这个系列也写到了第三章了，我发现做什么事情还是自驱力很重要，如果觉得有意思，就能一直坚持下去，如果我公众号能写到50篇，我就去起点开一个号写仙侠小说去，我觉得小说可能我也能坚持写下去。

      继续写基础，这东西之所以学起来很麻烦就是基础太多

Image

      上一篇文章我们介绍了,可以查中括号来确定张量是几维的，也能通过shape数量看到，同时shape也提供了每个维度的与元素个数，像上图前面每个维度都是1维，只有最后一维，也就是列包含2个元素

       另外除了shape以外也可以用size来查看Tensor的形状

Image

Image

      size这个方法还可以直接提取对应维度的元素个数

      今天的重点就是Tesnor的变型

      为什么要变型呢，就是方便不同Tensor进行乘加计算，因为深度学习的核心其实说白了，就是这些东西

      简单的改变Tensor的形状, view方法

      我们先建立一个1行6列的Tensor  t1

Image

       然后我们将它改变成2行3列，这个时候我们调用view方法

Image

       可以看到Tensor t1 已经从之前的1行6列变成现在的2行3列

    &

最低0.47元/天 解锁文章
周博洋K
关注
深度学习知识点全面总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
01-05 37万+
本文详细介绍深度学习概念及原理，参考网上相关资料汇总，内容包含众多章节，包括神经网络基础及常见深度学习网络结构介绍，用于个人学习总结，适合深度学习初学者学习。同时介绍机器学习常见的分类算法：SVM、神经网络、随机森林、逻辑回归、KNN、贝叶斯。常见的监督学习算法：感知机、SVM、人工神经网络、决策树、逻辑回归.........
深度学习从入门到不想放弃-7
周博洋的博客
02-14 3002
它是沿什么方向达到的？因为既然是尝试求近似值，一次一次的去尝试，势必不能一次过大，容易超过损失函数的最优解（最优解为0,实际值减计算值，即y-y'），那可不可以特别的小，这个严格来说是可以的，但是这个会导致你训练收敛的速度变的过于慢，影响训练效率，这就引入了学习率的概念。我们以前讨论过，深度学习至少目前很多的方法并不是数学驱动的，而是计算驱动的，为什么通过计算驱动，主要是求得的这个函数F(x)，它是通过不断的try得到近似值，来反推出函数的各个组成部分的权重（系数），推导这些系数的方法就是梯度下降法。
深度学习从入门到不想放弃-6
周博洋的博客
01-18 1957
similar就是我们要的产品设计的相似度，d就是距离，所以我们通过分数的形式，完美诠释了反比，同时统一的相关性，因为d越大，similar就越小，d越小，similar就越大。我们先不看公式，看上图就行，就是比角，两个向量x，y夹角越大，就越不相似，夹角180度，就彻底分道扬镳了，夹角0度，可以认为两个向量就是一样的了, 夹角90度的时候两个向量叫正交。，大概意思能理解吧，就是在相似度比较的时候，d如果过大，那么s基本就平着走了，一些无关紧要的特别大的距离，就不用考虑了，因为没变化，所以说可以规避噪音。
深度学习从入门到不想放弃-2
周博洋的博客
12-04 981
Tensor相当于torch.empty 和torch.tensor的混合模式，而且它是有一个全局默认的数据类型的，FloatTensor就是浮点数，可以参考上图，在打印torch.Tensor创建的张量的时候，元素后面都会有一个".", 这个"."就是浮点数的意思, 而使用torch.tensor创建的张量，是可以通过dtype来指定元素的数据类型，同时它也会自动根据输入的元素来匹配数据类型。什么是Tensor?答案是可以的，如上图所示，4阶Tensor，在每个维度上就有一个元素。
深度学习从入门到不想放弃-1
周博洋的博客
12-03 1070
上图最上面描述是机器学习的流程，如果让一个计算机理解输入的信息是一个汽车，那么需要人类做很多特征工程工作，就是提取出这个事物的一些特征信息然后交给机器去认知去处理，上图的下部分就是深度学习的领域，在深度学习领域最重要的就是它可以自动的提取数据的特征，进行处理。我们学过的初高中生物应该讲过，其实是神经元在传递彼此之间的电信号，神经元对经历的事件和刺激进行反应，每个神经元连接着若干个其他的神经元，各自有各自的电信号的阈值，当刺激超过阈值电信号就会在不同的神经元之间传递，进而在不同的神经元之间传递信息。
深度学习从入门到不想放弃-4
周博洋的博客
12-13 1283
因为我们做深度学习不太可能就一个自变量，所以要求偏导数，偏导数就是多个自变量，比如 Z=f(x，y), 而自变量y固定 这时它就是x的一元函数，这函数对x的导数，就称为二元函数Z对x的偏导数。比如下图，不管你是什么图形，比如这个向上的曲线就是y=x^2的一部分，我可以把它和x轴围成的线用若干个矩形表示，矩形越小，然后把许多个矩形加起来，就越和真实的面积拟合。也叫微积分基本定理。相反的如果你固定了x，那就是对y求偏导数了，以上讲的都是一阶偏导数，实际的计算中，一阶二阶都有，这里就不展开了，就知道概念就行。
深度学习从入门到不想放弃-5
周博洋的博客
12-31 1310
这个看起来似乎是合理，但是在实际场景中这么做，你的"搜广推"系统基本就废了，因为在消费场景里，年龄其实不能作为直接的特征来进行判断，就好比 一个32岁的男性，他不能等于(20岁男性+42岁男性)/2的消费能力。再比如，如果拿电商用户的年龄做特征，是否合理呢，可以根据不同的年龄来当成一个特征，用这个特征训练模型，在推理阶段，会给相应年龄的客户，推送符合年龄的商品。天然图片的长和宽就形成了400*400的一个矩阵，然后每个像素点描述一个RGB的三个颜色的强度，这就是一个天然的Tensor了。
强化学习入门到不想放弃-5
周博洋的博客
10-26 969
也就是折扣系数，这个理解起来也不难，比如你做了一个动作不光对当前的state s有影响，也会对之后的state都会有影响，引申的含义就是当前的状态也会影响到之后状态所获得的奖励，但是当下的奖励的重要性一定会大于未来的奖励，γ的取值范围也是0到1（不能是1）， 比如0.4,0.6，理论上越近折扣系数应该越高，这个也好理解，列成式子就是。圆形的有的有一个后续，有的有多个候选选择（概率），不同的action，有不同的奖励得分，比如刷facebook就扣1分-1，比如学习就加10分之类的。
深度学习从入门到入土，基础知识篇四
six_sixsix666的博客
09-12 654
在深度学习网络中，卷积层用来提取数据的特征，通过不断地卷积，从而得到想要的特征，而卷积层的主要操作就是卷积，卷积的过程，通俗的讲就是一个加权求和的过程。在深度学习网络中，卷积操作也可以理解为一种特殊的线性变换，卷积的实现必不可少的就是卷积核，卷积核也称为滤波器，在输入的数据上进行滑动窗口式的卷积，从而实现局部数据特征的提取，实现特征的共享和抽象，从而使得网络对输入数据的变化更加鲁棒和准确。注意，在深度学习中，卷积核是可学习的，经过一定次数的迭代之后，才能更好的提取到稳定且需要的特征。
深度学习-pytorch的入门
Panda_633的博客
05-28 1767
深度学习简单入门
003 卷积神经网络（CNN）-- 原理到实践
yy_xzz的博客
12-25 731
卷积操作：局部连接，权重共享池化操作：降维，增加平移不变性经典架构现代技巧：批归一化，Dropout，残差连接实践应用：图像分类，特征可视化# 尝试设计一个用于MNIST的CNN# 你的设计pass# 前向传播pass。
Monodepth：基于左右一致性的无监督单目深度估计，单目估计的起步-k学长深度学习专栏
12-23 926
Monodepth是一种创新的单目深度估计方法，通过无监督学习实现深度预测。其核心思想是将深度估计转化为图像重建问题，利用双目相机的左右图像进行训练，无需真实深度标注。方法采用编码器-解码器结构预测视差图，并通过三种关键损失函数（外观匹配损失、视差平滑损失和左右一致性损失）来优化模型性能。最大的创新点是引入左右一致性约束，使模型能更准确地理解场景的几何结构。相比传统方法，Monodepth降低了数据获取成本，提高了深度预测的可靠性，适用于自动驾驶、AR/VR等多个领域。
Day 45 简单CNN@浙大疏锦行
qq_35619695的博客
12-22 788
探究修改卷积神经网络（CNN）的深度与宽度，以及改变学习率调度器对模型训练效果的影响。
Day44 简单 CNN 实战
最新发布
W020419的博客
12-26 237
将卷积输出展平成向量，接 1~2 层全连接 + Dropout，输出 10 维 logits。：BatchNorm 稳定分布、Dropout 降低 co-adaptation。这些中间输出就是“特征图”，可借助 Grad-CAM 等方法做可视化解释。第 3 个卷积块：池化后得到 128×4×4，展平即 2048 维向量。第 1 个卷积块：保持尺寸，池化后得到 32×16×16；第 2 个卷积块：池化后得到 64×8×8；提取多尺度特征并逐步减小空间维度。
Day46
m0_70488789的博客
12-26 99
作业：手动构造类似的数据集（如cosx数据），观察不同的机器学习模型的差异。4. 经典机器学习在序列任务上的劣势；# DAY 46 序列预测任务介绍。b. 多步预测的2种方式。2. 序列数据的处理：滑动窗口。3. 多输入多输出任务的思路。
【AI课程领学】第四课1/3：CNN 基本组件与操作——卷积/步幅/填充/池化/归一化/激活/感受野（含 PyTorch + NumPy）
2401_89898861的博客
12-25 1493
【AI课程领学】第四课1/3：CNN 基本组件与操作——卷积/步幅/填充/池化/归一化/激活/感受野（含 PyTorch + NumPy）
基于山羚羊优化的LSTM深度学习网络模型(MGO-LSTM)的一维时间序列预测算法matlab仿真
熟悉python,matlab,C,C++,JAVA等
12-26 259
摘要：本文提出一种基于山羚羊优化算法(MGO)的LSTM超参数优化方法，用于时间序列预测。该方法利用MGO自适应搜索LSTM最优隐含层神经元数量，以最小化预测误差。程序在MATLAB2022A/2024B中实现，包含数据预处理、MGO优化、LSTM训练与预测等模块。MGO-LSTM模型通过模拟山羚羊群体智能行为进行全局寻优，克服传统方法的局部最优问题。实验结果显示，该方法能有效提升LSTM预测精度，适用于一维时间序列分析任务。
高级LSTM架构在量化交易中的特殊入参要求与实现
木头大左的博客
12-25 672
本代码实现了基于长短期记忆网络（LSTM）的量化交易策略，通过处理时间序列金融数据预测未来价格走势。主要风险包括过拟合问题、非平稳时间序列导致的梯度消失、以及市场黑天鹅事件引发的异常波动。对于高频交易场景，采用5-30分钟级别的K线数据时，建议设置timesteps=64-128；该实现方案已在CME集团黄金期货(GC)合约上完成实证测试，2018-2023年期间实现年化收益18.7%，夏普比率1.93，最大回撤9.2%。需要注意的是，实际应用中应根据具体交易品种调整参数范围，并建立严格的风控体系。
【深度学习】 循环神经网络
PANSS__的博客
12-22 816
RNN。
机械学习怎么从入门到放弃
06-13
作为一个人工智能领域的分支，机器学习是一个需要较高数学素养和编程能力的领域。以下是一个从入门到放弃的建议： 1. 入门：可以从学习基础的数学知识开始，比如线性代数、概率论和统计学等，这些知识是机器学习的基础。同时，也需要掌握一种编程语言，比如Python等，以便能够实现机器学习算法。 2. 学习：可以从一些经典的机器学习算法入手，比如线性回归、逻辑回归、支持向量机和决策树等，掌握这些算法可以帮助初学者了解机器学习的基本概念和应用场景。同时，也可以学习一些深度学习的算法，比如卷积神经网络和循环神经网络等。 3. 实践：在学习这些算法的同时，也需要进行实践，通过编写代码来实现这些算法，并使用真实的数据集进行测试和验证。可以使用一些开源的机器学习工具和框架，比如scikit-learn、TensorFlow和PyTorch等。 4. 深入：如果想要深入机器学习领域，可以学习一些进阶的知识，比如深度学习的优化方法、神经网络的结构设计和模型的部署等。同时，也可以关注一些最新的研究成果和领域应用，以了解机器学习领域的最新发展。 5. 放弃：如果在学习过程中遇到了太多的困难或者觉得这个领域并不适合自己，也可以考虑放弃，寻找其他感兴趣的领域或者方向。毕竟，每个人的兴趣和能力都是不同的，没有必要强求自己去学习一些自己并不感兴趣的东西。
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值