qq_42182596的博客

opencv用dnn.readNet加载caffe/torch/darknet/tensorflow的模型和权重

批标准化介绍：机器学习领域有个很重要的假设：IID独立同分布假设，就是假设训练数据和测试数据是满足相同分布的，这是通过训练数据获得的模型能够在测试集获得好的效果的一个基本保障。而BatchNorm是干啥的呢？BatchNorm就是在深度神经网络训练过程中使得每一层神经网络的输入保持相同分布的。一、数据分布对训练会产生影响？？？答案是肯定的。比如某个神经元 x 的值为1, 某个 Weights 的初始值为 0.1, 这样后一层神经元计算结果就是 Wx = 0.1; 又或者 x = 20, 这样 Wx

pytorch中net.eval() 和net.train()的使用

CNNRNNLstm自编码DQN 强化学习GAN 生成对抗网络

1、搭建神经网络模块# 方法一class Net(torch.nn.Module): # 继承 torch 的 Module def __init__(self, n_feature, n_hidden, n_output): super(Net, self).__init__() # 继承 __init__ 功能 self.hidden = torch.nn.Linear(n_feature, n_hidden) # 隐藏层线性输出

1、pycharm—》Preferences输入关键字Scien…搜索出Python Scientific， 在右侧去掉对勾（默认是勾选的），然后右下角Apply–OK，即可完美解决。

一、推荐学习网站：莫烦python二、pytorch学习1、介绍PyTorch是一个非常有可能改变深度学习领域前景的Python库。PyTorch是一个基于Python的库，用来提供一个具有灵活性的深度学习开发平台。PyTorch的工作流程非常接近Python的科学计算库——numpy。优点：易于使用的API—它就像Python一样简单。Python的支持—如上所述，PyTorch可以顺利地与Python数据科学栈集成。它非常类似于numpy，甚至注意不到它们的差别。动态计算图—取代了

递归，就是在运行的过程中调用自己。构成递归需具备的条件：子问题须与原始问题为同样的事，且更为简单；不能无限制地调用本身，须有个出口，化简为非递归状况处理。迭代和递归的关系和区别（敲黑板）从概念上讲，递归就是指程序调用自身的编程思想，即一个函数调用本身；迭代是利用已知的变量值，根据递推公式不断演进得到变量新值得编程思想。简单地说，递归是重复调用函数自身实现循环。迭代是函数内某段代码实现...

参数是我们训练神经网络 最终要学习的目标，最基本的就是神经网络的权重 W和bias b，我们训练的目的，就是要找到一套好的模型参数，用于预测未知的结果。这些参数我们是不用调的，是模型来训练的过程中自动更新生成的。超参数是我们控制我们模型结构、功能、效率等的 调节旋钮，具体有哪些呢：learning rateepochs(迭代次数，也可称为 num of iterations)num of...