动手学深度学习pytorch版练习解答—2.6概率

最新推荐文章于 2025-08-03 11:35:19 发布
原创 最新推荐文章于 2025-08-03 11:35:19 发布 · 2k 阅读 · 5 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #pytorch #概率论

本文探讨了概率统计在实验设计中的作用，通过改变样本量和实验次数观察结果变化。同时，讲解了如何计算两个事件的概率并利用马尔可夫链简化联合概率计算。此外，针对测试策略，提出了为何选择同时运行多个测试而非重复单一测试的合理性分析。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

这次应该只算参考吧，后面三问我觉得答得一般般，有会的大哥也可以说下怎么做。

  1. 进⾏m = 500组实验，每组抽取n = 10个样本。改变m和n，观察和分析实验结果。
  2. 给定两个概率为P(A)和P(B)的事件，计算P(A ∪ B)和P(A ∩ B)的上限和下限。（提⽰：使⽤友元图43来
    展⽰这些情况。)
  3. 假设我们有⼀系列随机变量，例如A、B和C，其中B只依赖于A，而C只依赖于B，你能简化联合概
    率P(A, B, C)吗？（提⽰：这是⼀个⻢尔可夫链44。)
  4. 在 2.6.2节中，第⼀个测试更准确。为什么不运⾏第⼀个测试两次，而是同时运⾏第⼀个和第⼆个测试?

在这里插入图片描述

Innocent^_^
关注
动手深度学习笔记（六）2.6 概率
juluwangriyue的博客
02-06 983
动手深度学习笔记（六）2.6 概率2. 预备知识2.6. 概率2.6.1. 基本概率论 2. 预备知识 2.6. 概率 简单地说，机器学习就是做出预测。 根据病人的临床病史，我们可能想预测他们在下一年心脏病发作的概率。 在飞机喷气发动机的异常检测中，我们想要评估一组发动机读数为正常运行情况的概率有多大。 在强化学习中，我们希望智能体（agent）能在一个环境中智能地行动。 这意味着我们需要考虑在每种可行的行为下获得高奖励的概率。 当我们建立推荐系统时，我们也需要考虑概率。 例如，假设我们为一家大型在线书店工
《动手学深度学习》Pytorch 版学习笔记一：从预备知识到现代卷积神经网络
andrew_1219的博客
10-07 1368
笔者有一定的机器学习和深度学习理论基础，对 Pytorch 的实战还不够熟悉，打算入职前专项突击一下 本文内容为笔者学习《动手学深度学习》一书的学习笔记 主要记录了代码的实现和实现过程遇到的问题
PyTorch笔记 - Diffusion Model 公式推导 (1)
AGI
11-16 1130
GAN，Generative Adversarial Network，生成对抗网络Diffusion Model，扩散模型VAE，Variational Autoencoders，变分自编码器。
李沐-动手学深度学习-概率
qq_60678226的博客
05-23 284
使用%matplotlib命令可以将matplotlib的图表直接嵌入到Notebook之中，或者使用指定的界面库显示图表，它有一个参数指定matplotlib图表的显示方式。inline表示将图表嵌入到Notebook中。 可以把分布（distribution）看作是对事件的概率分配， 稍后我们将给出的更正式定义。 将概率分配给一些离散选择的分布称为多项分布（multinomial distribution）。 在估计一个骰子的公平性时，我们希望从同一分布中生成多个样本。我们使用深度学习框架的函数..
深度学习中的数据操作（六） 概率论 基于pytorch实现
m0_50292871的博客
03-06 1278
1.6 概率论 """ 首先要导入相关的程序包 需先导包pip install d2l==0.14 """ # Commented out IPython magic to ensure Python compatibility. # %matplotlib inline import torch from torch.distributions import multinomial from d2l import torch as d2l """1.5.1基本概率论 概率论就是指某件事发生的概率的计算
动手学深度学习2.6概率-笔记&练习（PyTorch）
scdifsn的博客
04-09 1451
李沐老师《动手学深度学习（PyTorch版）》2.6概率-笔记&练习详解
Note_006 概率【深度学习_学习笔记】
BeYoung的博客
03-24 443
文章目录基本概率论概率论公理随机变量处理多个随机变量联合概率条件概率贝叶斯定理边际化独立性应用期望和方差小结练习练习答案 简单地说，机器学习就是做出预测。 根据病人的临床病史，我们可能想预测他们在下一年心脏病发作的概率。 在飞机喷气发动机的异常检测中，我们想要评估一组发动机读数为正常运行情况的概率有多大。 {\kern 15pt} 在强化学习中，我们希望智能体（agent）能在一个环境中智能地行动，这意味着我们需要考虑在每种可行的行为下获得高奖励的概率。 {\kern 15pt} 当我们建立推荐系统时，
《动手学深度学习 Pytorch版》 2.6 概率
AncilunKiang的博客
06-10 580
sample() 是 Multinomial 类中的抽样函数，接收一个参数 ample_shape=torch.Size() 以指定抽样次数和输出张量的形状。​​例如，在掷骰子实验中，集合S123456即为样本空间或结果空间，其中每个元素都是结果。概率可以看作将集合映射到真实值的函数。在给定的样本空间S中，事件A的概率表示为PAPA≥0PS1ijAi​∩Aj​∅A1​A2​P⋃i1∞​Ai​∑i1∞​PA。
《动手学深度学习》学习笔记
欢迎来到三水编程的博客
01-11 2470
本文首先介绍了深度学习的基础知识，包括线性回归、多层感知机、卷积神经网络、循环神经网络的基本原理，在其基础上讲解网络优化算法进一步优化网络和自定义网络实现自己的网络。然后介绍深度学习的应用，具体包括单发多框目标检测、语义分割、风格迁移、中英文翻译系统。最后总结我对本课程学习的心得体会和建议。
《动手学深度学习》练习—第二章预备知识
weixin_48120620的博客
11-16 279
《动手学深度学习》第二章预备知识的作业
《动手学深度学习 v2》之预备、线性NN、多层感知机、深度学习计算
qq_42889517的博客
03-12 640
https://mp.csdn.net/mp_blog/creation/editor/new/128688185 2.2. 数据预处理 2.3. 线性代数 2.4. 微积分 2.5. 自动微分 2.6. 概率 2.6.2.6. 应用： https://zh-v2.d2l.ai/chapter_preliminaries/probability.html 3.线性神经网络 回归问题（值回归） 3.1.线性回归 3.2. 线性回归的从零开始实现 3.3. 线性回归的简洁实现 分类
《深度学习》课后习题解析（仅供参考）
qq_50701409的博客
09-22 2839
（1）给定任意方矩阵 A ， A+A⊤ 总是对称的吗?为什么? 由线性代数的基础知识可知，(A + AT)T= AT+ (AT)T= A + AT （2） 在2.3.4节中定义了形状（2,3,4）的张量X.len(X)的输出结果是什么？ X = torch.arange(24).reshape(2, 3, 4) len(X) （3） 对于任意形状的张量X,len(X)是否总是对应于X特定轴的长度?这个轴是什么? len(X) 总对应第 0 轴的长度（可以利用代码自己实现） （...
动手学机器学习
weixin_44836762的博客
12-06 908
动手学机器学习
使用yolo11训练饮料瓶盖缺陷检测质量检测数据集VOC+YOLO格式1432张5类别步骤和流程
最新发布
FL1623863129的博客
08-03 743
训练完成后，最佳权重保存路径为：runs/detect/train/weights/best.pt，如果多次运行命令runs/detect/train2,runs/detect/train3文件夹生成只需要到数字最大文件夹查看就可以找到模型。经过上面训练可以使用模型做一步部署，比如使用onnx模型在嵌入式部署，使用engine模型在jetson上deepstream部署，使用torchscript模型可以在C++上部署等等。通过比较不同模型在这些指标上的表现，可以判断哪个模型在实际应用中可能更有效。
CS231n2017 Lecture10 RNN笔记
Se_ren_di_pity的博客
08-02 729
循环神经网络(Recurrent Neural Networks)，可以实现不同类型的输入/输出如：1 to 1：固定输入得到固定输出1 to many: 比如输入固定size的图片，输出的是可变长度的序列，比如一段描述文本，长度随着单词数而变many to 1: 比如输入一段可变长度的文本，输出其情感分类向量many to many: 比如翻译任务。
深度学习（鱼书）day08--误差反向传播（后三节）
weixin_66162442的博客
08-01 923
本文介绍了深度学习中的误差反向传播算法，重点讲解了激活函数层和Affine层的实现。在激活函数层部分，详细分析了ReLU层和Sigmoid层的前向传播和反向传播过程，包括数学表达式和Python实现代码。ReLU层通过mask机制实现开关功能，Sigmoid层则通过计算图分解步骤进行求导。在Affine层部分，解释了矩阵乘积运算的仿射变换性质，展示了单个数据和批处理数据的实现方式，并给出了相应的类实现代码。文章通过计算图直观地展示了各层的运算过程，并强调了矩阵运算中形状匹配的重要性。
CS231n2017-Lecture9经典CNN架构笔记
Se_ren_di_pity的博客
08-01 895
首先回顾一下LeNet-5，该网络结构为[CONV-POOL-CONV-POOL-FC-FC]，卷积层使用的的卷积核，步长为1,；池化层使用的size，步长为2。
深度学习-梯度爆炸与梯度消失
weixin_74126320的博客
08-01 880
深度学习训练中常遇到梯度消失和梯度爆炸问题。梯度消失导致深层网络参数难以更新，表现为训练停滞；梯度爆炸则使参数剧烈波动，导致训练失控。解决方案包括使用ReLU激活函数、梯度裁剪等技术。此外，模型推理时需调用model.eval()切换Dropout和BatchNorm层至推理模式，常与torch.no_grad()配合使用以保证稳定性和效率。这些方法对CV、NLP等任务至关重要。
卸载pytorch重新安装pytorch2.6+cu128
03-23
<think>嗯，用户想卸载当前的PyTorch并安装PyTorch 2.6支持CUDA 12.8的版本。首先，我需要确认正确的步骤。根据之前的引用，卸载应该用pip uninstall torch和torchvision，可能还有torchaudio，对吧？所以用户需要先执行这些命令，确保旧版本被完全移除。 然后安装部分，用户需要指定版本号。但PyTorch的官方文档中，通常CUDA版本会有对应的安装命令。比如引用[2]里用的是cu118，对应CUDA 11.8。现在用户想要CUDA 12.8的支持，可能需要查找对应的版本号。不过目前PyTorch的稳定版可能还没有2.6版本，或者CUDA 12.8的支持可能还在测试中。需要检查官方网站或者提供的索引链接。 比如，用户提到的引用[3]是下载地址，可能需要到那里查找对应的torch 2.6和cu128的whl文件。或者查看PyTorch官网的安装命令生成器，看看是否有对应的版本组合。如果官方没有提供，可能需要通过--index-url指定正确的仓库地址，比如nightly版本或者其他测试渠道。 另外，用户可能混淆了CUDA版本，比如cu128可能是指CUDA 12.x，但具体版本号需要确认。例如，PyTorch 2.6可能支持CUDA 12.1或12.2，但12.8可能不存在，或者用户可能有笔误。这时候需要提醒用户检查CUDA版本的正确性，并确认PyTorch版本是否支持。或者，可能用户指的是cu12（代表CUDA 12.x系列），而128是版本号的一部分，需要进一步核实。 因此，正确的步骤应该是：先卸载旧版本，然后查找PyTorch 2.6与CUDA 12兼容的安装命令。如果官方没有正式发布，可能需要使用预编译的nightly版本，或者从源码编译。但通常推荐使用官方提供的稳定版命令。如果用户确实需要CUDA 12.8，可能需要等待官方支持，或者确认是否存在该版本。最后，安装完成后验证torch.cuda.is_available()以确保CUDA支持正常。</think># 卸载并重新安装PyTorch 2.6（CUDA 12.8支持）的完整步骤 ### 步骤1：卸载现有PyTorch组件 ```bash pip uninstall torch torchvision torchaudio ``` * 连续输入`y`确认卸载所有相关包 * 建议重复执行直到提示"找不到已安装的包"[^1] ### 步骤2：安装PyTorch 2.6 CUDA 12.8版本 ```bash pip install torch==2.6.0 torchvision==0.17.0 torchaudio==2.6.0 --index-url https://download.pytorch.org/whl/cu128 ``` ### 步骤3：验证安装 ```python import torch print(torch.__version__) # 应输出2.6.0 print(torch.cuda.is_available()) # 应输出True ``` ### 注意事项 1. 确保系统已安装CUDA 12.8驱动 2. 如遇网络问题可添加`--trusted-host download.pytorch.org` 3. Windows用户建议使用管理员权限运行命令提示符
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值