<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[m0_61360701的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/m0_61360701</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; m0_61360701]]></copyright><item><title><![CDATA[小土堆- P5-笔记]]></title><link>https://blog.youkuaiyun.com/m0_61360701/article/details/156769190</link><guid>https://blog.youkuaiyun.com/m0_61360701/article/details/156769190</guid><author>m0_61360701</author><pubDate>Fri, 09 Jan 2026 18:18:26 +0800</pubDate><description><![CDATA[改成本地/服务器上 SECOND 数据集的实际位置。读数据用 CPU，训练模型才用 GPU。]]></description><category></category></item><item><title><![CDATA[小土堆-P3-笔记]]></title><link>https://blog.youkuaiyun.com/m0_61360701/article/details/156768870</link><guid>https://blog.youkuaiyun.com/m0_61360701/article/details/156768870</guid><author>m0_61360701</author><pubDate>Fri, 09 Jan 2026 17:33:02 +0800</pubDate><description><![CDATA[输出一堆名字，告诉你"有这些东西可以用"输出详细文档，告诉你"这个工具怎么用"，就是从大到小找工具。遇到不认识的东西，先。查具体用法，很实用。]]></description><category></category></item><item><title><![CDATA[前向传播、反向传播]]></title><link>https://blog.youkuaiyun.com/m0_61360701/article/details/147013832</link><guid>https://blog.youkuaiyun.com/m0_61360701/article/details/147013832</guid><author>m0_61360701</author><pubDate>Sat, 05 Apr 2025 18:15:44 +0800</pubDate><description><![CDATA[所以：网络层越多、batch 越大 → 保存的中间值越多 → 更容易显存溢出（OOM）网络层越多、batch 越大 → 保存的中间值越多 → 更容易显存溢出（OOM）在数学里，如果一个值依赖另一个值，而那个值又依赖另一个值，我们就用“链式法则”来求导。神经网络中，输出结果依赖一层又一层参数，每层都要通过链式法则来一层层传导梯度。每一层（卷积层、全连接层）都做一堆数学运算（比如：加权、激活函数）每一个操作（加、乘、激活函数）都在图上留下“痕迹”。，自动算出每一层的偏导数（梯度）。输出层发现错了，告诉上一层。]]></description><category></category></item><item><title><![CDATA[数值稳定性]]></title><link>https://blog.youkuaiyun.com/m0_61360701/article/details/147011748</link><guid>https://blog.youkuaiyun.com/m0_61360701/article/details/147011748</guid><author>m0_61360701</author><pubDate>Sat, 05 Apr 2025 17:42:18 +0800</pubDate><description><![CDATA[下面，我会详细解释权重初始化的概念以及常见的几种方法。具体来说，它会将权重初始化为一个均匀分布或正态分布，其方差是根据输入和输出的大小自动计算的，旨在保持每层输入和输出的方差一致。当网络中权重值过大时，反向传播时计算出来的梯度会变得极其巨大，导致权重更新过大，模型的训练变得不稳定。梯度消失是指在反向传播过程中，随着层数的增加，梯度值变得越来越小，最终趋近于零，导致网络的更新变得极其缓慢，甚至完全停止更新。激活函数设计的，它通过利用输入层的神经元数量来决定权重的标准差，从而确保训练过程中梯度的稳定性。]]></description><category></category></item><item><title><![CDATA[Dropout（暂退法）]]></title><link>https://blog.youkuaiyun.com/m0_61360701/article/details/146764916</link><guid>https://blog.youkuaiyun.com/m0_61360701/article/details/146764916</guid><author>m0_61360701</author><pubDate>Sat, 05 Apr 2025 14:23:39 +0800</pubDate><description><![CDATA[动手学深度学习》-4.6-笔记的小技巧：，让模型不太容易死记硬背。在上课，如果总是只问最聪明的同学答题，那其他同学就学不会了。老师为了让大家都动脑，，这样整个班都会进步Dropout 做的就是类似的事：训练模型时，随机让一部分“神经元”暂时不工作，，提升整体能力。Dropout 做了什么？在训练神经网络的时候，每一层都有很多“神经元”（也就是节点/单元），Dropout 会：每次训练时，随机挑选一部分神经元“屏蔽掉”（设为0，不参与计算）每次挑的不一样，是“暂时”的。]]></description><category></category></item><item><title><![CDATA[transforms-pytorch4]]></title><link>https://blog.youkuaiyun.com/m0_61360701/article/details/147003415</link><guid>https://blog.youkuaiyun.com/m0_61360701/article/details/147003415</guid><author>m0_61360701</author><pubDate>Fri, 04 Apr 2025 22:03:16 +0800</pubDate><description><![CDATA[在这里，我们定义了一个函数，将整数标签转换成 one-hot 编码的张量。首先它创建了一个大小为 10 的零张量（我们的数据集中有 10 个标签），然后调用。，它会变成一个长度为 10 的张量，只有索引 3 的位置为 1，其他位置为 0，比如：[0, 0, 0, 1, 0, 0, 0, 0, 0, 0]。会自动把它们缩放到 [0, 1]，这有助于模型训练，因为大部分模型训练时需要输入值在 0 到 1 的范围。：PyTorch 中的数据结构，表示一个浮点型的张量，适合进行数学计算。]]></description><category></category></item><item><title><![CDATA[数据集（Dataset）和数据加载器（DataLoader）-pytroch学习3]]></title><link>https://blog.youkuaiyun.com/m0_61360701/article/details/147001842</link><guid>https://blog.youkuaiyun.com/m0_61360701/article/details/147001842</guid><author>m0_61360701</author><pubDate>Fri, 04 Apr 2025 21:13:18 +0800</pubDate><description><![CDATA[让 PyTorch 能读取自己的图片和标签，比如本地的一些图片文件和 CSV 表格。]]></description><category></category></item><item><title><![CDATA[记录一下零零散散的的东西-ImageNet]]></title><link>https://blog.youkuaiyun.com/m0_61360701/article/details/146990660</link><guid>https://blog.youkuaiyun.com/m0_61360701/article/details/146990660</guid><author>m0_61360701</author><pubDate>Thu, 03 Apr 2025 23:04:25 +0800</pubDate><description><![CDATA[是一个。]]></description><category></category></item><item><title><![CDATA[张量-pytroch基础（2）]]></title><link>https://blog.youkuaiyun.com/m0_61360701/article/details/146884816</link><guid>https://blog.youkuaiyun.com/m0_61360701/article/details/146884816</guid><author>m0_61360701</author><pubDate>Mon, 31 Mar 2025 22:17:02 +0800</pubDate><description><![CDATA[运算类型操作符 / 函数是否逐元素？是否需要转置？输出维度变化？矩阵乘法matmul()❌ 否✅ 通常需要转置✅ 会变逐元素乘法（Hadamard）mul()✅ 是❌ 不需要❌ 不变单元素张量（single-element tensor）是指只有一个元素的张量。比如你对一个张量做了求和（sum）、平均（mean）等操作，结果就是一个单个值的张量。如果你想把这个张量变成普通的 Python 数值（比如int或float），可以使用 .item()方法。]]></description><category></category></item><item><title><![CDATA[pytorch学习基础（1）]]></title><link>https://blog.youkuaiyun.com/m0_61360701/article/details/146780980</link><guid>https://blog.youkuaiyun.com/m0_61360701/article/details/146780980</guid><author>m0_61360701</author><pubDate>Mon, 31 Mar 2025 15:01:54 +0800</pubDate><description><![CDATA[pytorch学习基础-网站-笔记。]]></description><category></category></item><item><title><![CDATA[权重衰减-笔记]]></title><link>https://blog.youkuaiyun.com/m0_61360701/article/details/146764037</link><guid>https://blog.youkuaiyun.com/m0_61360701/article/details/146764037</guid><author>m0_61360701</author><pubDate>Sun, 30 Mar 2025 14:41:22 +0800</pubDate><description><![CDATA[权重”就是模型中学到的参数，相当于它的“记忆”或“经验”。没有衰减：模型会很用力去记住训练数据，容易“死记硬背”。有衰减：模型会被“约束”，学得更稳，考试（预测新数据）更容易拿分。权重衰减 = 不让模型的“记忆力”太强，逼它学得简单一点，防止它考试（泛化）翻车。权重（weight）模型的记忆衰减（decay）给它一点压力，让它别太极端权重衰减限制模型学得太多，防止过拟合假设原本的损失函数是：Loss=预测误差加了权重衰减以后变成：w：模型的权重：所有权重平方加起来（L2 范数）]]></description><category></category></item><item><title><![CDATA[深度学习4.4笔记]]></title><link>https://blog.youkuaiyun.com/m0_61360701/article/details/146666330</link><guid>https://blog.youkuaiyun.com/m0_61360701/article/details/146666330</guid><author>m0_61360701</author><pubDate>Sat, 29 Mar 2025 14:23:09 +0800</pubDate><description><![CDATA[这个过程会重复k次，每次选择不同的子集作为测试集，最终将k次测试结果的平均值作为模型的性能评估。过拟合是指模型对训练数据拟合得过于完美，以至于模型在训练数据上表现很好，但在新的、未见过的数据上表现很差。换句话说，模型过度学习了训练数据中的噪声和细节，而无法泛化到新的数据。欠拟合是指模型对训练数据的拟合程度不够，无法捕捉到数据中的规律和模式。验证数据集：通常是从训练集中划分出来的一部分数据，不要和训练数据混在一起，评估模型好坏的数据集。：模型的最大拟合能力，即通过调节参数，模型能够表示的函数族。]]></description><category></category></item><item><title><![CDATA[树莓派ollama docker报错尝试网上方法]]></title><link>https://blog.youkuaiyun.com/m0_61360701/article/details/146509162</link><guid>https://blog.youkuaiyun.com/m0_61360701/article/details/146509162</guid><author>m0_61360701</author><pubDate>Tue, 25 Mar 2025 22:27:54 +0800</pubDate><description><![CDATA[显示“连接被对方重置”sudoollama pull qwen2:7b push:ollama 未找到命令安装docker1.运行以下命令检查 Docker 是否已正确安装：bash复制如果返回路径（例如或），说明 Docker 已正确安装。如果没有返回路径，说明 Docker 未正确安装或未添加到 PATH 中。不在，没有返回。]]></description><category></category></item><item><title><![CDATA[多层感知机的简洁实现]]></title><link>https://blog.youkuaiyun.com/m0_61360701/article/details/146507337</link><guid>https://blog.youkuaiyun.com/m0_61360701/article/details/146507337</guid><author>m0_61360701</author><pubDate>Tue, 25 Mar 2025 17:21:32 +0800</pubDate><description><![CDATA[多层感知机的实现与softmax回归的实现相同，只是多层感知机的实现里增加了带有激活函数的隐藏层。，对网络中的全连接层的权重进行初始化，初始化方式为均值为 0、标准差为 0.01 的正态分布。定义了一个简单的两层神经网络，并使用自定义的权重初始化函数对网络的权重进行初始化。它会自动处理层之间的输入和输出传递。函数在内部调用模型的前向传播和反向传播时，可能没有正确处理损失函数的输出。：全连接层，将输入的 784 个特征映射到 256 个隐藏单元。定义一个简单的两层神经网络，包含输入层、隐藏层和输出层。]]></description><category></category></item><item><title><![CDATA[多层感知机从0开始实现]]></title><link>https://blog.youkuaiyun.com/m0_61360701/article/details/146504455</link><guid>https://blog.youkuaiyun.com/m0_61360701/article/details/146504455</guid><author>m0_61360701</author><pubDate>Tue, 25 Mar 2025 15:55:57 +0800</pubDate><description><![CDATA[W1。]]></description><category></category></item><item><title><![CDATA[数据预处理]]></title><link>https://blog.youkuaiyun.com/m0_61360701/article/details/146456802</link><guid>https://blog.youkuaiyun.com/m0_61360701/article/details/146456802</guid><author>m0_61360701</author><pubDate>Sun, 23 Mar 2025 15:42:17 +0800</pubDate><description><![CDATA[向该文件中写入模拟的房屋数据，包含列名和几行数据样本，其中部分数据包含缺失值（用。《动手学深度学习》-2.2数据预处理-笔记分析。函数读取之前创建的 CSV 文件。：保持不变，因为它已经是数值型数据。，则该列的值为 1，否则为 0。，则该列的值为 1，否则为 0。]]></description><category></category></item><item><title><![CDATA[基本数据操作关于torch]]></title><link>https://blog.youkuaiyun.com/m0_61360701/article/details/146456134</link><guid>https://blog.youkuaiyun.com/m0_61360701/article/details/146456134</guid><author>m0_61360701</author><pubDate>Sun, 23 Mar 2025 15:21:43 +0800</pubDate><description><![CDATA[广播机制允许不同形状的张量进行操作。PyTorch 会自动扩展较小的张量以匹配较大的张量。使用gpu 在 PyTorch 中，可以通过。矩阵乘法（每一行*每一列对应数字相加）改变张量的形状而不改变数量。拼接 0是行 1是列。]]></description><category></category></item><item><title><![CDATA[多层感知机与反向传播]]></title><link>https://blog.youkuaiyun.com/m0_61360701/article/details/146446828</link><guid>https://blog.youkuaiyun.com/m0_61360701/article/details/146446828</guid><author>m0_61360701</author><pubDate>Sat, 22 Mar 2025 21:29:29 +0800</pubDate><description><![CDATA[它需要通过训练来调整参数，以便能够正确地解决问题。]]></description><category></category></item><item><title><![CDATA[多层感知机]]></title><link>https://blog.youkuaiyun.com/m0_61360701/article/details/146446149</link><guid>https://blog.youkuaiyun.com/m0_61360701/article/details/146446149</guid><author>m0_61360701</author><pubDate>Sat, 22 Mar 2025 21:27:22 +0800</pubDate><description><![CDATA[感知机就像是一个“小盒子”，它接收一些输入，然后根据这些输入做出一个判断（输出）。比如，你给它输入一些数字，它会根据这些数字告诉你一个结果。]]></description><category></category></item><item><title><![CDATA[soft回归用内置函数]]></title><link>https://blog.youkuaiyun.com/m0_61360701/article/details/146445792</link><guid>https://blog.youkuaiyun.com/m0_61360701/article/details/146445792</guid><author>m0_61360701</author><pubDate>Sat, 22 Mar 2025 20:44:07 +0800</pubDate><description><![CDATA[是李沐等人编写的《动手学深度学习》（Dive into Deep Learning）配套的 Python 包。它将输入的 784 个特征（展平后的图像数据）映射到 10 个输出类别（Fashion MNIST 数据集有 10 个类别）。：批量大小（batch size）是指每次训练时输入模型的数据样本数量。（负对数似然损失）的功能，能够计算模型输出的概率分布与真实标签之间的交叉熵损失。：PyTorch 是一个流行的深度学习框架，提供了张量操作、自动求导等功能。是一个常用的损失函数，用于多分类问题。]]></description><category></category></item></channel></rss>