expansion

原创 全连接神经网络 -3

获取中间层的输出可视化在全连接神经网络训练好后，为了更好地理解全连接神经网络的计算过程，以获取网络在计算过程中中间隐藏层的输出，可以使用两种方法：如果在网络的前向过程想要输出隐藏层，可以使用独特的变量进行命名，然后再输出时输出该变量，例如：def forward(self,x): fc1 = self.hidden1(x) fc2 = self.hidden2(fc1) output = self.classifica(fc2) ## 输出为两个隐藏层和输出层的输出 return fc1

原创 全连接神经网络 -2

搭建网络并可视化在数据准备、探索和可视化分析后，下面搭建需要使用的全连接神经网络分类器。网络的每个全连接隐藏层由nn.Linear()函数和nn.ReLU()函数构成，其中nn.ReLU()表示使用激活函数ReLU。构建全连接层分类网络的程序如下所示：## 全连接网络class MLPclassifica(nn.Module): def __init__(self): super(MLPclassifica,self).__init__() ## 定义第一个隐藏层 self.hidden

原创 卷积神经网络 -1

经典的卷积神经网络深度学习的思想提出后，卷积神经网络在计算机视觉等领域取得了快速的应用，有很多基于卷积层、池化层及全连接层的深度卷积神经网络被提出。如1998年提出的LeNet-5，2012年出现的AlexNet网络，2014年提出的GoogLeNet网络和VGG系列的网络，这些网络的提出都用于解决图像领域的问题。针对自然语言分类的问题，2014年开始将CNN网络应用于文本分类，提出了TextCnn网络。下面将对这些经典的卷积神经网络的结构进行介绍，并介绍如何调用已经在pytorch中预训练好的网络。

原创 pytorch 深度神经网络及训练 -2

防止过拟合在统计学中，过拟合是指过于精确地匹配了特定数据集，导致模型不能良好地你和其他数据或预测未来的观察结果的现象。模型如果过拟合，会导致模型的偏差很小，但是方差会很大。相较用于训练的数据总量来说，一个模型只要结构足够复杂或参数足够多，就总是可以完美地适应数据。过拟合的概念深度学习模型的过拟合通常是指针对设计好的深度学习网络，在使用训练数据集训练时，在训练数据集上能够获得很高的识别精度（针对分类问题），或者很低的均方根误差（针对回归问题），但是把训练好的模型作用于测试集进行预测时，预测效果往往不是很

原创 全连接神经网络 -4

MLP 回归模型在sklearn库中，包含一个fetch_california_housing()函数，该函数可以下载california房屋价格数据。该数据集源自1990年美国人口普查，每行样本是每个人口普查区块组的描述数据，区块组通常拥有600~3000的人口。在数据集中一共包含20640个样本，数据有8个自变量，如收入平均数、房屋年龄、平均房间数量等。因变量为房屋在该区块组的价格中位数。使用该数据集建立一个全连接回归模型，用于预测房屋的价格。在建立回归模型之前，需要导入相关库和函数。import

原创 全连接神经网络 -1

下面使用pytorch中的相关魔魁啊搭建多隐藏层的全连接神经网络，并使用不同的真实数据集，用于探索MLP在分类和回归任务中的应用。学习如何利用pytorch搭建、训练、验证建立的MLP网络及相关网络可视化和训练技巧。在分析之前先导入所需的库和相关模块。import numpy as npimport pandas as pdfrom sklearn.preprocessing import StandardScaler,MinMaxScalerfrom sklearn.model_selection

原创 pytorch 深度神经网络及训练 -1

pytorch 深度神经网络及训练在深度学习中，模型的建立与训练是十分关键和有挑战性的，选定了网络结构后，深度学习训练过程基本大同小异，是一个反复调整模型参数的过程。得益于GPU等硬件性能的提升，复杂的深度学习训练由此成为可能。随机梯度下降算法在深度学习网络中，通常需要设计一个模型的损失函数来约束我们的训练过程，如针对分类问题可以使用交叉熵损失，针对回归问题可以使用均方根误差损失等。模型的训练并不是漫无目的的，而是朝着最小化损失函数的方向去训练，这时就会用到梯度下降类的算法。梯度下降法（gradi

原创 5.1-Cloth 布料

原创 3-RigidBodyDynamics 刚体动力学

原创 4-RigidBodyContacts 刚体碰撞

原创 bullet constraints bullet 约束

constraints 约束bullet 中实现了几个约束。有关每个示例，请参见示例/约束演示。包括 btRaycastVehicle 在内的所有约束都源自 btTypedConstraint。两个刚体之间的约束作用，其中至少有一个刚体需要是动态的。Point to Point Constraint 点对点约束点到点约束限制平移，以便两个刚体的局部轴心点在世界空间中匹配。可以使用此约束连接刚体链。btPoint2PointConstraint(btRigidBody& rbA, const

原创 bullet 库的概述

Library Overview 库的概述Introduction 简介物理引擎的主要任务是执行碰撞检测、解决碰撞和其他约束，并为所有对象提供更新的世界变换。本章将概述刚体动力学管道以及所有组件共享的基本数据类型和数学库Software Design 软件设计bullet 被设计成可定制和模块化的。开发者可以仅使用碰撞检测组件使用没有软体动力学组件的刚体动力学组件仅使用库的一小部分并以多种方式扩展库选择使用单精度或双精度版本的库使用自定义内存分配器，连接自己的性能分析器或调试抽屉Ri

原创 bullet physics SDK 简介

Introduction 简介Description of the library 库的描述bullet physics 是一个专业的开源的碰撞检测、刚体和软体动力学库，用便携式C++编写。该库主要设计用于游戏、视觉效果和机器人模拟。该库在 ZLib 许可下可免费用于商业用途。Main Features 主要特征离散和连续碰撞检测，包括射线和凸扫描测试。碰撞形状包括凹面和凸面网格以及所有基本图元通过约束（btTypedConstraint）连接的最大坐标6自由度刚体（btRigidBody）以及

原创 Actions: Vehicles & Character Controller 动作：载具和角色控制器

Action Interface 动作界面在某些情况下，在物理管道中处理一些自定义物理游戏代码很有用。虽然可以使用刻度回调，担当由多个对象要更新时，从 btActionInterface 派生自定义类会更方便。并实现 btActionInterface::updateAction(btCollisionWorld* world, btScalar deltaTime);有内置示例 btRaycastVehicle 和 btKinematicCharacterController 正在使用此 btActio

原创 Rigid Body Dynamics 刚体动力学

Rigid Body Dynamics 刚体动力学Introduction 引入刚体动力学是在碰撞检测模块之上实现的。它增加了力、质量、惯性、速度和约束。btRigidBody 用于模拟单个 6 自由度运动物体。btRigidBody 派生自 btCollisionObject，因此它继承了它的世界变换、摩擦和恢复，并增加了线速度和角速度。btTypedConstraint 是刚体约束的基类，包括 btHingeConstraint, btPoint2PointConstraint, btCone

原创 Collision Filtering(selective collisions) 碰撞过滤（选择性碰撞）

Collision Filtering(selective collisions) 碰撞过滤（选择性碰撞）Bullet 提供了三种简单的方法来确保只有某些对象相互碰撞：masks, broadphase filter callbacks, nearcallbacks值得注意的是，mask-based collision selection发生在工具链的上游，而不是回调。简而言之，如果mask足以满足您的目的，请使用它们；它们性能更好，使用起来更简单。当然，不要因为提高性能，就试图将某些东西硬塞到mas

原创 pytorch 中数据操作和预处理

在 pytorch 中 torch.utils.data 模块包含着一些常用的数据预处理的操作，主要用于数据的读取、切分、准备等。类功能torch.utils.data.TensorDataset()将数据处理为张量torch.utils.data.ConcatDataset()连接多个数据集torch.utils.data.Subset()根据索引获取数据集的子集torch.utils.data.DataLoader()数据加载器torch.utils

原创 全连接神经网络

人工神经网络（Artificial Neural Network, ANN）简称神经网络，可以对一组输入信号和一组输出信号之间的关系进行模拟，是机器学习和认知科学领域中一种模仿生物神经网络的结构和功能的数学模型。用于对函数进行估计或近似，其灵感来源于动物的中枢神经系统，特别是大脑。神经网络由大量的人工神经元（或节点）联结进行计算，大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应系统。具有 n 个输入一个输出的单一的神经元模型的结构中，神经元接受来自 n 个其他神经元传递过来的输入信号

原创 深度学习网络の分类

全连接神经网络全连接神经网络是最基础的深度学习网络，通常由多层多个神经元组成。在卷积神经网络和循环神经网络中，都能看到全连接层的身影。全连接网络在分类和回归问题中非常有效。卷积神经网络卷积神经网络是一种以图像识别为中心，并且在多个领域得到广泛应用的深度学习方法，如目标检测、图像分割、文本分类等。卷积神经网络于 1998 年由 Yann Lecun 提出，在 2012 年的 ImageNet 挑战赛中，Alex Krizhevsky 凭借深度卷积神经网络 AlexNet 网络获得远远领先于第二名的成绩.

原创 torch.nn 模块の全连接层

通常所说的全连接层是指一个由多个神经元所组成的层，其所有的输出和该层的所有输入都有连接，即每个输入都会影响所有神经元的输出。在 pytorch 中的 nn.Linear() 表示线性变换，全连接层可以看作是 nn.Linear() 表示线性变层再加上一个激活函数层所构成的结构。nn.Linear() 全连接操作及相关参数如下：torch.nn.Linear(in_features, out_features, bias=True)参数说明如下：in_features: 每个输入样本的特征数量out

原创 torch.nn 模块の循环层

在 pytorch 中，提供了三种循环层的实现层对应的类功能torch.nn.RNN()多层 RNN 单元torch.nn.LSTM()多层长短期记忆 LSTM 单元torch.nn.GRU()多层门限循环 GRU 单元torch.nn.RNNCell()一个 RNN 循环层单元torch.nn.LSTMCell()一个长短期记忆 LSTM 单元torch.nn.GRUCell()一个门限循环 GRU 单元以 torch.nn.RNN()

原创 torch.nn 模块の激活函数

在 pytorch 中，提供了十几种激活函数层所对应的类，但常用的激活函数通常为 S 型（Sigmoid）激活函数、双曲正切（Tanh）激活函数、线性修正单元（ReLU）激活函数等。层对应的类功能torch.nn.SigmoidSigmoid 激活函数torch.nn.TanhTanh 激活函数torch.nn.ReLUReLU 激活函数torch.nn.SoftplusReLU 激活函数的平滑近似...

原创 torch.nn 模块の池化层

池化操作的一个重要目的就是对卷积后得到的特征进一步处理（主要是降维），池化层可以起到对数据进一步浓缩的效果，从而缓解计算时内存的压力。池化会选取一定大小区域，将该区域内的像素值使用一个代表元素表示。如果使用平均值代替，成为平均值池化，如果使用最大值代替则称为最大值池化。在 pytorch 中，提供了多种池化的类，分别是最大值池化（MaxPool）、最大值池化的逆过程（MaxUnPool）、平均值池化（AvgPool）与自适应池化（AdaptiveMaxPool, AdaptiveAvgPool）等。并且均

原创 torch.nn 模块の卷积层

torch.nn 模块包含着 torch 已经准备好的层，方便使用者调用构建网络。以下内容介绍卷积层、池化层、激活函数层、循环层、全连接层的相关使用方法。卷积层卷积可以看作是输入和卷积核之间的内积运算，是两个实值函数之间的一种数学运算。在卷积运算中，通常使用卷积核将输入数据进行卷积运算得到输出作为特征映射，每个卷积核可获得一个特征映射。使用卷积运算在图像识别、图像分割、图像重建等应用中有三个好处，即卷积稀疏连接、参数共享、等变表示，正是这些好处让卷积神经网络在图像处理算法中脱颖而出。在卷积神经网络中

原创 tensor 张量

在数学中，一个单独的数可以成为标量，一列或者一行数组可以称为向量，一个二维数组成为矩阵，矩阵中的每一个元素都可以被行和列的索引唯一确定，如果数组的维度超过2，那么我们可以称该数组为张量。但是在 pytorch 中，张量属于一种数据结构，它可以是一个标量、一个向量、一个矩阵，甚至是更高维的数组，所以 pytorch 中 tensor 和 numpy 库中的数组 ndarray 非常相似，在使用时也会经常将 pytorch 的相关计算和优化都是在 tensor 的基础上完成的。在 torch 中 CPU 和

原创 HelloWorld 代码结构梳理

initialization Create a btDiscreteDynamicsWorld or btSoftRigidDynamicsWorldbtDefaultCollisionConfiguration * and btCollisionDispatcher * 碰撞设置和碰撞调度器btDefaultCollisionConfiguration * collisionConfiguration = new btDefaultCollisionConfiguration();btCollis

原创 bullet3 代码结构梳理

Bullet/src/LinearMathbtScalar默认情况下 btScalar 是一个 float 定义通过在顶部定义 BT_USE_DOUBLE_PRECISION 可以成为 double 定义btVector3btVector3 由 x, y, z 三个标量组成btVector3 可以表示 3D 位置和矢量btVector3 含有第四个未使用的 w 分量btQuaternion 和 btMatrix3x3btQuaternion 和 btMatrix3x3 可以