qq_45889931的博客

import numpy as npimport pandas as pdfrom sklearn.preprocessing import StandardScaler,MinMaxScalerimport torchdata=pd.read_csv("a.txt",sep=',',names=['Number of times pregnant','Plasma glucose concentration a 2 hours in an oral glucose tolerance test',

#Logistic Regression分类问题，按概率取值，sigmoid（0-1）激活import torchimport numpy as npimport matplotlib.pyplot as pltimport torchvisionimport torch.nn.functional as Fx_data=torch.Tensor([[1.0],[2.0],[3.0]])y_data=torch.Tensor([[0],[0],[1]])class LogisticRegr

import torch#准备训练集x_data=torch.Tensor([[1.0],[2.0],[3.0]])y_data=torch.Tensor([[2.0],[4.0],[6.0]])#设计模型class LinearModel(torch.nn.Module):#nn.Module以下大部分继承于这个 def __init__(self): super(LinearModel,self).__init__()#guding self.line

反向传播算法，简称BP算法，适合于多层神经元网络的一种学习算法，它建立在梯度下降法的基础上。BP网络的输入输出关系实质上是一种映射关系：一个n输入m输出的BP神经网络所完成的功能是从n维欧氏空间向m维欧氏空间中一有限域的连续映射，这一映射具有高度非线性。它的信息处理能力来源于简单非线性函数的多次复合，因此具有很强的函数复现能力。这是BP算法得以应用的基础。# Back Propagationimport torchx_data=[1.0,2.0,3.0]y_data=[2.0,4.0,6.0]

mini_batch，综合使用import numpy as npimport matplotlib.pyplot as pltx_data=[1.0,2.0,3.0]y_data=[2.0,4.0,6.0]#梯度下降w=1.0def forward(x): return x*wdef cost(xs,ys): cost=0 for x,y in zip(xs,ys): y_pred=forward(x) cost+=(y_pred

线性模型（基本知识1）需要能力：线性代数，概率论和梳理统计，和一定的python基础在先进入正题之前我们需要明白冰箱牢记两件事情和一个流程1，通过pytorch实现学习系统2，理解基本神经网络/深度学习（以上内容以后博客会有）学习流程：Dataset——>Model——>Training——>inferring1，Dataset数据集，简单理解就是我们收集的数据组成的集合。2，Model模型，就像这篇文章的模型一样，这是其一，模型很多，不过重点是通过这些模型构造属于自己的