qq_36744449的博客

深度学习不仅在于其强大的学习能力，更在于它的创新能力。我们通过构建判别模型来提升模型的学习能力，通过构建生成模型来发挥其创新能力。判别模型通常利用训练样本训练模型,然后利用该模型，对新样本x，进行判别或预测。而生成模型正好反过来，根据一些规则y，来生成新样本x。 生成式模型很多，本章主要介绍常用的两种：**变分自动编码器(VAE)和生成式对抗网络(GAN)**及其变种。虽然两者都是生成模型，并且通过各自的生成能力展现其强大的创新能力，但他们在具体实现上有所不同。 GAN基于博弈论，目的是找到达到纳什均衡的判

链接 5.1 机器学习的基本任务 机器学习的基本任务一般分为四大类，监督学习、无监督学习、半监督学习和强化学习。监督学习、无监督学习比较普遍，大家也比较熟悉。常见的分类、回归等属于监督学习，聚类、降维等属于无监督学习。半监督学习和强化学习的发展历史虽没有前两者这么悠久，但发展势头非常迅猛。图5-1 说明了四种分类的主要内容。 5.1.1监督学习 监督学习是最常见的一种机器学习类型，其任务的特点就是给定学习目标，这个学习目标又称为标签或或标注或实际值等，整个学习过程就是围绕如何使预测与目标更接近。近些年，随

链接 4.1 数据处理工具箱概述 如果你看了第3章，应该对torchvision、data等数据处理包有了初步认识，但可能理解还不够深入，接下来我们将详细介绍。Pytorch涉及数据处理（数据装载、数据预处理、数据增强等）主要工具包及相互关系如图4-1所示。 图4-1 Pytorch主要数据处理工具 图4-1 的左边是torch.utils.data工具包，它包括以下三个类： （1）Dataset：是一个抽象类，其它数据集需要继承这个类，并且覆写其中的两个方法(getitem、len)。 （2）DataL

链接 前面我们介绍了Pytorch的数据结构及自动求导机制，充分运行这些技术可以大大提高我们的开发效率。这章将介绍Pytorch的另一利器：神经网络工具箱。利用这个工具箱，设计一个神经网络就像搭积木一样，可以极大简化我们构建模型的任务。 3.1 神经网络核心组件 神经网络看起来很复杂，节点很多，层数多，参数更多。但核心部分或组件不多，把这些组件确定后，这个神经网络基本就确定了。这些核心组件包括： （1）层：神经网络的基本结构，将输入张量转换为输出张量。 （2）模型：层构成的网络。 （3）损失函数：参数学习的

链接 2.5 Tensor与Autograd 在神经网络中，一个重要内容就是进行参数学习，而参数学习离不开求导，Pytorch是如何进行求导的呢？ 现在大部分深度学习架构都有自动求导的功能，Pytorch也不列外，torch.autograd包就是用来自动求导的。autograd包为张量上所有的操作提供了自动求导功能，而torch.Tensor和torch.Function为autograd上的两个核心类，他们相互连接并生成一个有向非循环图。接下来我们先简单介绍tensor如何实现自动求导，然后介绍计算图，

链接 2.4 Numpy与Tensor 2.4.1 Tensor概述 对tensor的操作很多，从接口的角度来划分，可以分为两类： （1）torch.function,如torch.sum、torch.add等， （2）tensor.function,如tensor.view、tensor.add等。 这些操作对大部分tensor都是等价的，如torch.add(x,y)与x.add(y)等价。实际使用中可以根据个人爱好选择。 如果从修改方式的角度，可以分为以下两类： （1）不修改自身数据，如x.add(y

补充：Pandas提高篇 链接 2.Pandas提高篇 2.1 如何提高数据的颜值？ 很多时候面对各种数据，我们想要让不同DataFrame有不同的颜色或格式来显示（styling），这时可以使用pandas Styler底下的format函式来实现，如何实现？以下通过一个实例来说明。 （1）生成数据 import numpy as np import pand as pd np.random.seed(100) boolean=[True,False] gender=["男","女"] color=[

补充：pandas基础篇 链接 1. Pandas基础篇 Python有了NumPy的Pandas，用Python处理数据就像使用Exel或SQL一样简单方便。 Pandas是基于NumPy的Python 库，它被广泛用于快速分析数据，以及数据清洗和准备等工作。可以把 Pandas 看作是 Python版的Excel或Table。Pandas 有两种数据结构： Series和DataFrame，Pandas经过几个版本的更新，目前已经成为数据清洗、处理和分析的不二选择。 1.1 问题：Pandas有哪些优势

《Python深度学习基于PyTorch》读书笔记 第1章 NumPy基础 1.1 生成NumPy数组 1.1.1 从已有数据中创建数组 直接对 Python 的基础数据类型(如列表、元组等) 进行转换来生成 ndarray: （1）将列表转换成 ndarray import numpy as np lst1 = [3.14, 2.17, 0, 1, 2] nd1 =np.array(lst1) print(nd1) # [3.14 2.17 0. 1. 2. ] print(type(nd1