qq_43006725的博客

学习出处：http://tangshusen.me/Dive-into-DL-PyTorch/#/常用的函数#!/usr/bin/env python# coding: utf-8import collectionsimport mathimport osimport randomimport sysimport tarfileimport timefrom IPython import displayfrom matplotlib import pyplot as pltim

K折交叉验证由于验证数据集不参与模型训练，当训练数据不够用时，预留大量的验证数据显得太奢侈。一种改善的方法是K折交叉验证（KK-fold cross-validation）。在KK折交叉验证中，我们把原始训练数据集分割成K个不重合的子数据集，然后我们做K次模型训练和验证。每一次，我们使用一个子数据集验证模型，并使用其他K−1个子数据集来训练模型。在这K次训练和验证中，每次用来验证模型的子数据集都不同。最后，我们对这K次训练误差和验证误差分别求平均。多项式函数拟合实验%matplotlib inline

学习网址：http://tangshusen.me/Dive-into-DL-PyTorch/#/import torchfrom torch import nnfrom torch.nn import initimport numpy as npimport syssys.path.append("..") import d2lzh_pytorch as d2l1 定义模型加了一个全连接层作为隐藏层。它的隐藏单元个数为256，并使用ReLU函数作为激活函数。num_inputs,

多层感知机就是含有至少一个隐藏层的由全连接层组成的神经网络，且每个隐藏层的输出通过激活函数进行变换。多层感知机的层数和各隐藏层中隐藏单元个数都是超参数。以单隐藏层为例并沿用本节之前定义的符号，多层感知机按以下方式计算输出：[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-5eX1719z-1592486805694)(attachment:image.png)]$$$$其中ϕϕϕ表示激活函数。在分类问题中，我们可以对输出OOO做softmax运算，并使用softmax回归中的

跑代码时发现有一个包conda没安装上，去网上搜了一下应该时pip install，但是要安装到自己的虚拟环境中。去网上转了一圈，应该是重新配置环境变量具体：计算机右键属性——高级系统——环境变量（找到你之前andconda配置的环境path,我的在系统变量）编辑，将需要的环境跟主环境同要求添加，同时挪到之前的上面，如下图：...

学习来源1 ReLU函数ReLU（rectified linear unit）函数提供了一个很简单的非线性变换。给定元素x，该函数定义为:ReLU(x)=max(x,0) ReLU(x)= max(x,0) ReLU(x)=max(x,0)ReLU函数只保留正数元素，并将负数元素清零。为了直观地观察激活函数变换，我们先定义一个绘图函数xyplot。%matplotlib inlineimport torchimport numpy as npimport matplotlib.pyl

学习出处：http://tangshusen.me/Dive-into-DL-PyTorch/#/之前的文章里面忘了标注，抱歉。

#导入所需的包import torchfrom torch import nnfrom torch.nn import initimport numpy as np# import sys# sys.path.append("..") import d2lzh_pytorch as d2l1.读取或获取数据#使用Fashion-MNIST数据集和上一节中设置的批量大小。batch_size = 256train_iter, test_iter = d2l.load_data_fash

图像分类数据集中最常用的是手写数字识别数据集MNIST[1]。但大部分模型在MNIST上的分类精度都超过了95%。为了更直观地观察算法之间的差异，我们将使用一个图像内容更加复杂的数据集Fashion-MNIST[2]本节将使用torchvision包，它是服务于PyTorch深度学习框架的，主要用来构建计算机视觉模型。torchvision主要由以下几部分构成：torchvision.datasets: 一些加载数据的函数及常用的数据集接口；torchvision.models: 包含常用的模型结构

用比上一节线性回归更简洁的代码来实现同样的模型。import torchimport numpy as npfrom torch import nn1.1 生成数据集features是训练数据特征，labels是标签。num_inputs = 2num_examples = 1000true_w = [2, -3.4]true_b = 4.2features = torch.tensor(np.random.normal(0, 1, (num_examples, num_inputs)

1.矢量计算表达式在模型训练或预测时，我们常常会同时处理多个数据样本并用到矢量计算。在介绍线性回归的矢量计算表达式之前，让我们先考虑对两个向量相加的两种方法。import torchfrom time import time#下面先定义两个1000维的向量。a = torch.ones(1000)b = torch.ones(1000)"""向量相加的一种方法是，将这两个向量按...