北山啦的博客

如果可用的话device就采用cuda()即调用GPU，不可用的话就采用cpu()即调用CPU。通过调用to(device)方法将模型的参数和缓冲区移动到指定的设备上。在迭代训练和测试数据之前，将数据也移动到GPU上。具体的GPU编号取决于系统中GPU的配置和可用情况。中的代码为例，采用GPU训练。3.将数据也移动到GPU上。

使用适当的库加载数据集，例如torchvision、TensorFlow的tf.data等。将数据集分为训练集和测试集，并进行必要的预处理，如归一化、数据增强等。创建机器学习模型，可以是深度神经网络、传统机器学习模型或其它模型类型。定义模型架构，包括输入层、隐藏层和输出层的结构、激活函数、损失函数等。定义适当的损失函数来计算模型预测结果于真实标签之间的差异。选择适当的优化器算法来更新模型参数，如随机梯度下降（SGD）、Adam等。从训练集中获取一批样本数据，并将其输入模型进行前向传播。

本文介绍Pytorch模型使用与修改、保存与加载。将以图像处理中torchvision为例，PyTorch通过torchvision.models模块提供了更多的预训练模型。

Pytroch_Sequential使用、损失函数、反向传播和优化器。

本文将讲解，PyTorch卷积神经网络各层实现与介绍，包括：基本骨架–nn.Module的使用、卷积操作、卷积层、池化层、激活函数、全连接层的介绍。😜 对于相关原理，可以跳转👉😜 后续会以CIFAR10数据集作为案例，关于CIFAR10数据集在上篇中有详细的介绍，可以跳转👉。

本文将主要介绍torchvision.datasets的使用，并以CIFAR-10为例进行介绍，对可视化工具tensorboard进行介绍，包括安装，使用，可视化过程等，最后介绍DataLoader的使用。希望对你有帮助。

Anaconda建立新的虚拟环境，并安装pytorch。最近开始学习Pytorch深度学习框架，由于安装某版本PyTorch库的过程中，会自动替换其所有依赖库(比如numpy等科学计算基础库)至相应匹配的版本。因此，自动换掉的基础库很有可能与其他高级库产生不匹配的冲突，导致原先功能无法正常使用，也就是原先的运行环境被污染了。为了避免这种污染的发生，最好新建一个环境，单独安装PyTorch及其依赖的所有库，互不干扰，避免毁坏原先辛辛苦苦配好的运行环境。打开Anaconda的Prompt创建新的

卷积神经网络(CNN)由输入层、卷积层、激活函数、池化层以及全连接层构成。INPUT（输入层）-CONV（卷积层）-RELU（激活函数）-POOL（池化层）-FC（全连接层）简单来说：卷积用来提取特征，池化压缩特征，全连接层用来加权重。

TensorFlow–TensorBoard可视化利用TensorBoard可视化TensorFlow运行状态TensorBoard是TensorFlow的可视化工具通过Tensor Flow程序运行过程中输出的日志文件可视化TensorFlow程序的运行状态TensorBoard和TensorFlow程序跑在不同的进程中产生日志文件tf.reset_default_graph():清除default graph和不断增加的节点# 作者：北山啦# 地址：https://beisha

tf.random_normal函数tf.random_normal()函数用于从“服从指定正态分布的序列”中随机取出指定个数的值。主要参数tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)参数含义shape:输出张量的形状，必选mean:正态分布的均值，默认为0stddev:正态分布的标准差，默认为1.0dtype:输出的类型，

在TensorFlow2.x中执行TensorFlow1.x代码的静态图执行模式改为图执行模式TensorFlow2虽然和TensorFlow1.x有较大差异，不能直接兼容。但实际上还是提供了对TensorFlow1.x的API支持TensorFlow 2中执行或开发TensorFlow1.x代码，可以做如下处理：导入TensorFlow时使用import tensorflow.compat.v1 as tf禁用即时执行模式tf.disable_eager_execution()

使用Tensorflow ，完成CIFAR-10图像识别，作者：北山啦数据集官网：The CIFAR-10 dataset文章目录数据集介绍导入CIFAR数据集查看image和label查看单项image查看多项images查看多项iamges和label定义网络结构图像的预处理定义共享函数定义网络结构构建模型定义准确率启动会话断点续训迭代训练可视化损失可视化准确率评估模型及预测import warningswarnings.filterwarnings('ignore')import te.

TensorFlow-- Chapter06 MNIST手写数字识别TensorFlow-- Chapter06 MNIST手写数字识别。作者：北山啦MNIST手写数字识别数据集其中包含了训练集 55000，验证集 5000，测试集 10000数据集的划分

TensorFlow–Chapter04单变量线性回归

TensorFlow1.8编程基础知识总结TensorFlow 是一个端到端开源机器学习平台。它拥有一个全面而灵活的生态系统，其中包含各种工具、库和社区资源，可助力研究人员推动先进机器学习技术的发展，并使开发者能够轻松地构建和部署由机器学习提供支持的应用。由于课程教了1.8版本的操作，所以在这里我会总结TensorFlow1.8版本的编程基础知识作者：北山啦地址：https://beishan.blog.youkuaiyun.com文章目录TensorFlow1.8编程基础知识总结1 变量与常量2

TensorFlow2.0–Chapter02基本操作TensorFlow 是一个端到端开源机器学习平台。它拥有一个全面而灵活的生态系统，其中包含各种工具、库和社区资源，可助力研究人员推动先进机器学习技术的发展，并使开发者能够轻松地构建和部署由机器学习提供支持的应用。文章目录TensorFlow2.0--Chapter02基本操作TensorFlow的基本概念属性和方法数据类型常量与变量变量的特殊性变量赋值assign张量的形状基本操作创建张量张量的形状类型转换tf.cast()TensorFl

Tensorflow2.0–Chapter01环境搭建TensorFlow 是一个端到端开源机器学习平台。它拥有一个全面而灵活的生态系统，其中包含各种工具、库和社区资源，可助力研究人员推动先进机器学习技术的发展，并使开发者能够轻松地构建和部署由机器学习提供支持的应用。文章目录Tensorflow2.0--Chapter01环境搭建Tensorflow1.x or 2.x安装Anaconda环境配置添加国内镜像源创建新环境进入tf2环境安装tensorflow2.0Tensorflow1.x or

Deep Learning Chapter02：Python基础语法回顾由于一年多没有接触python，现在恶补了下python基础语法，为以后的深度学习打下基础。现总结如下,希望对大家有所帮助。文章目录Deep Learning Chapter02：Python基础语法回顾Python入门环境搭建注释变量输入输出数据类型运算符流程控制条件语句循环while嵌套以及他的应用数据序列字符串列表元组字典集合公共方法推导式函数函数定义具体例子函数说明文档嵌套使用变量作用域函数的返回值、参数lambda表达式

Deep Learning Chapter01：机器学习中线性代数好久不见，大家好，我是北山啦。机器学习当中需要用到许多的数学知识，如今博主又要继续踏上深度学习的路程，所以现在在网上总结了相关的考研数学和机器学习中常见相关知识如下，希望对大家有所帮助。线性代数行列式1.行列式按行（列）展开定理(1) 设A=(aij)n×nA = ( a_{{ij}} )_{n \times n}A=(aij​)n×n​，则：ai1Aj1+ai2Aj2+⋯+ainAjn={∣A∣,i=j0,i≠ja_{i1}A_{

概率论和数理统计随机事件和概率1.事件的关系与运算(1) 子事件：A⊂BA \subset BA⊂B，若AAA发生，则BBB发生。(2) 相等事件：A=BA = BA=B，即A⊂BA \subset BA⊂B，且B⊂AB \subset AB⊂A 。(3) 和事件：A⋃BA\bigcup BA⋃B（或A+BA + BA+B），AAA与BBB中至少有一个发生。(4) 差事件：A−BA - BA−B，AAA发生但BBB不发生。(5) 积事件：A⋂BA\bigcap BA⋂B（或AB{AB}AB），

机器学习当中需要用到许多的数学知识，如今博主又要继续踏上深度学习的路程，所以现在在网上总结了相关的考研数学和机器学习中常见相关知识如下，希望对大家有所帮助。