xzrrr的博客

是PyTorch中的一个损失函数，常用于多分类问题的训练中。它结合了Softmax激活函数和负对数似然损失(NLLLoss)，能够同时计算预测类别的概率分布和真实标签之间的差异。如果模型的输出已经经过log_softmax函数处理，或者你手动对模型输出进行log_softmax处理，可以使用NLLLoss，取决于咱们的具体需求。损失越小表示模型的预测结果与真实标签之间的差异越小，即预测越准确。的向量，使每个元素的取值范围≥0，并且所有元素的和等于1。用于测量模型预测的概率分布与真实标签之间的差异。

刘二大人《PyTorch深度学习实践》p8加载数据集一、零碎知识点1.enumerate()二、Batch（批次）和Mini-Batch1.Mini-Batch2.Dataset（数据集）3.DataLoader（数据加载器）三、课程代码 一、零碎知识点 1.enumerate() enumerate()是python的一个内置函数，用于对可迭代对象进行遍历，并返回索引和对应的元素。 citys = ["wuhan", "chengdu", "shanghai", "beijing"] for index,

机器学习的学习能力并不是越强越好，它可能会过度关注训练数据中的细节和噪声，而无法捕捉到普遍的模式和规律，训练集里面的噪声和真实应用场景的噪声不是一样的。是PyTorch中的一个函数，用于将NumPy数组转换为对应的PyTorch张量tensor。是NumPy库中的一个函数，用于从文本文件中加载数据，并将其转化为NumPy数组的形式。x_data是数据的前8个特征的所有值，y_data是每一个样本输出的预测结果。我觉得这节的理论学习注重的是线性代数的矩阵变化。，返回数组的类型为32位的浮点数。

BCELoss基于交叉熵损失（Cross Entropy Loss）的概念，适用于二分类问题，其中每个样本只能属于两个类别之一，通过最小化BCELoss损失值来调整模型的参数，使得结果不断精确。提供了一些方便的函数和类，用于加载和预处理常见的图像数据集，如MNIST、CIFAR10、ImageNet等。它可以自动进行图像数据的下载、数据的分割和转换，以及数据集的加载和批处理。任务，要求将图像分类为飞机、汽车、鸟类、猫、鹿、狗、青蛙、马、船和卡车这十个类别之一。的任务，包括将图像分类为0到9中的一个数字。

所以难怪说学python就是疯狂调库，我怎么感觉深度学习的尽头是英语（bushi），我最开始都不知道torch.nn的这个nn是什么，原来是neural network的简称，这水平谁能想到我已经是研究生了，宇宙的尽头是自学，宇宙的尽头是考公。例如，如果我们有100个样本，每个样本的特征由面积和房间数量组成，其中面积的维度是1（一个特征），房间数量的维度也是1（一个特征），那么输入特征的大小（同理，如果我们想要预测房屋的价格，这个预测可以看作是一个输出特征，价格可以被视为一个特征。

在机器学习和深度学习领域中，张量（tensor）是一个多维数组（数组可以是标量、向量、矩阵等）。在PyTorch中，张量是一种重要的数据结构，用于存储和操作多维数据。数据还是我们一直从p2开始到现在的三组学习时长与学分的数据，x为学习时长，y为获得的学分，推测x=4时，y=？，也就是要求我们预测学习4小时，可以获得多少学分。第一次学张量的话可以去看看这个视频，浅显易懂。建议跟着老师的思路先着手计算一遍再去写代码。预测：w1=1，w2=1，b=1。

是一个用于生成网格坐标的函数，它接受多个一维数组作为输入，并生成一个多维数组（y的列数*x的列数的多维数组）。w,b是一维数组，分别为x轴和y轴上面的坐标点，sum/3是z轴上面的值。由运行结果和图像可知，当权重ω=2时，均方误差为0，损失值最小。是NumPy中的一个函数，用于创建一个等差数列的一维数组。是一个内置函数，其中每个元素由x和对应位置的y组成元组。创建一个matplotlib对象。

ps.感觉和研一课程《最优化理论》里面的最速下降法和《数值统计》的均方误差有点关联，学的课程终于不是完全无用了！随机梯度下降是拿单个样本的损失函数对权重求导，进行更新。顺便安利一下俺的小红书，一个迷茫但努力发光的小白。，顶多修改一下透明度即可。