qq_44250700的博客

这个错误其实很简单，我们只需在代码中添加一句：

通过从0开始编写代码，理解神经网络运算的过程

在跑项目时，常常会安装很多的包，也通常会遇到需要安装指定版本的包，以及包与包不兼容的问题。因此，建议在运行项目时，针对每一个项目单独创建环境，这样能够保证各个项目之间的环境互不影响。在运行指定项目时，只需要激活该项目所在的环境即可。通常我们安装完后，电脑本地会有一个环境，不过我们通常不在环境下跑项目。接下来一起学一学如何创建项目需要的环境吧！此处表示新建一个名为的环境，python版本为3.73、安装包（1）手动一个一个安装安装指定版本的包✍注意是哦！常见于复现代码时，通常原作者都将环境所需要

在用读取csv文件时，代码如下：报错：原因是：地址没有转义更改：将报错代码更改为：

文章目录报错问题报错原因报错解决补充内容报错问题notfittederror:This StandardScaler instance is not fitted yet. Call ‘fit’ with appropriate arguments before using this estimator.报错原因报错位置：reg.fit = (X_train,y_train)报错解决将代码更改为reg.fit.(X_train,y_train)补充内容注：编码流程（以笔者正在跑的代码为

文章目录1、问题描述2、解决办法step1step2step31、问题描述在运行tqdm notebook相关代码时，报错：IProgress not found. Please update jupyter and ipywidgets.2、解决办法在官方文档中，指出，如果jupyter notebook与IPython核不在一个环境中时，需要：step1在命令行输入：conda install -n base -c conda-forge widgetsnbextension注：b

文章目录一、官方文档链接二、omega简要说明1、YAML介绍2、安装三、创建OmegaConf（具体内容均在官方文档）1、从Empty创建OmegaConf2、通过YAML创建OmegaConf四、OmegaConf.update一、官方文档链接OmegaConf官方文档链接：https://omegaconf.readthedocs.io/en/latest/index.html。Ps：直接读英文文档是一个好习惯。如果读不懂，可以使用网页的翻译功能进行翻译。官方文档中通过代码形象地进行了使用说明

Stratified——分层抽样法百度词条

将数据（如音频、视频、文本）变为图像结构，然后进行处理输入二维像素，输出是即使输入数据是经过旋转、缩放等处理的，输出仍然可以正确识别并进行输出feature map颜色越深，值越低卷积核如果卷积核形状与原图不一样，可能会乱码pooling缩小feature map，也叫缩小。N组卷积核对应于N个。池化会牺牲一部分数据，max pooling表示用最大值代替数据。如果原图不够，可以在外围补0下采样卷积relu激活函数：把负数修正成0，有利于矩阵运算。这层就相当于一个神经网络。全连接层：排

文章目录优点缺点原理计算方法support vector machine（SVM）属于 监督学习，是一种 线性分类器优点模型效果好缺点只能准确处理 线性问题。针对 相互交融的非线性问题，可以加大容错率Soft-Margin SVM，保证大局上的正确性。不能用于 完全线性不可分的情况。可以引入Kernel，将问题转化到更高维度上。原理找到合适的β来描述 决策分界面 和 边界分界面。两条 决策分界面 最中间的面就是 决策分界面。两个 边界分界面 之间的距离为 两个类别之间的距离，即 分

文章目录一、安装二、导入三、长，宽，通道1、通道介绍2、通道类型（1）灰度通道（2）RGB色彩空间（3）CMYK色彩空间（4）HSV (或HSL)色彩空间（5）RGBA色彩空间3、OpenCV令像素变化来改变图像（1）默认读取（2）切换为RGB（3）调亮画面（4）调暗画面（5）让画面更鲜艳（6）调整饱和度注：读取文件路径时不要有中文，不要有空格。尽量改成/，不要用r'\'一、安装pip install opencv-python二、导入import cv2三、长，宽，通道1、通道介绍通道包含用

文章目录一、张量的创建1、张量的类型①整数型②浮点型③布尔型张量④复数类型2、张量类型的转化①隐式转化③使用.float()、.int()对张量进行转化3、创建高维度的张量4、零维张量：只包含一个元素，但又不是单独的一个数4、高维张量二、张量的形变1、flatten拉平：将任意维度张量转化为一维张量2、reshape方法：任意变形①转化成一维张量②转化成二维张量③转化成三维张量三、特殊张量的创建方法1、创建特殊取值的张量（返回结果默认为浮点型）①全零张量 .zeros()②全1张量 .ones()③单位矩阵

十、基本运算1、加减乘除add / minus / multiply / divid2、matmul（1）2d tensor matmul（2）>2d tensor matmul3、矩阵次方①.pow(阶数)②平方根 .sqrt()③平方根的倒数 .rsqrt()4、对数运算①.exp()②.log(以谁为底)5、近似解 approximation①向下取整 .floor()②向上取整 .ceil()③裁剪浮点数的整数部分 .trunc()④裁剪浮点数的小数部分 .frac(

降维模块preprocessing：几乎包含数据预处理的所有内容模块Impute：填补缺失值专用模块feature_selection：包含特征选择的各种方法实践模块deprocessor：包含降维算法from sklearn.preprocessing import MinMaxScalerdata = [[-1,2],[-0.5,6],[0,10],[1,18]]import pandas as pdpd.DataFrame(data)#4行2列

神经网络使用小批量随机梯度下降进行迭代的流程：（1）设置步长lr，动量值gamma，迭代次数epochs,batch_size等信息，（如果需要）设置初始权重w0（2）导入数据，将数据切分成batches（3）定义神经网络架构（4）定义损失函数L(w)，如果需要的话，将损失函数调整成凸函数，以便求解最小值（5）定义所使用的的优化算法（6）开始在epoches（外层）和batch（内层）上循环，执行优化算法：6.1）调整数据结构，确定数据能够在神经网络、损失函数和优化算法中顺利进行6.2）完

from sklearn import treefrom sklearn.datasets import load_winefrom sklearn.model_selection import train_test_splitwine = load_wine()wine{‘data’: array([[1.423e+01, 1.710e+00, 2.430e+00, …, 1.040e+00, 3.920e+00,1.065e+03],[1.320e+01, 1.780e+00, 2