qq_53568730的博客

Softmax回归（也称为多项逻辑回归或多类逻辑回归）是逻辑回归的扩展，用于解决多分类问题。在逻辑回归中，我们预测的是二分类问题（比如是/否，正面/负面），而Softmax回归可以处理三个或更多类别的分类问题。

具体来说，热编码为每个类别创建一个新的二进制特征，这些特征在任何给定时间只有一个是激活的（标记为1），而其他所有特征都是非激活的（标记为0）。深度学习中的过拟合（Overfitting）是指模型在训练数据上表现得很好，但在新的、未见过的数据上表现不佳的情况。在深度学习和统计学中，似然函数（Likelihood Function）是一个非常重要的概念，它用于估计统计模型的参数，特别是在最大似然估计（Maximum Likelihood Estimation, MLE）中。点积是两个向量的对应元素乘积之和。

深度学习线性回归是一种结合了深度学习技术和线性回归模型的方法。线性回归是一种统计学方法，用于建立一个或多个自变量（解释变量）与因变量（响应变量）之间的线性关系。在深度学习中，我们通常使用神经网络来模拟这种关系，其中线性回归可以看作是最简单的神经网络模型，即只有一个输出节点且没有隐藏层的网络。小批量随机梯度下降（不算全部样本，不然太耗时）使用深度学习框架来简洁地实现线性回归模型。

keepdims=True 不会吧维度去掉，而是变为1。向量可以被视为标量值组成的列表。标量由只有一个元素的张量表示。axis一般0表示行 1表示列。

由于“巷子类型”（“Alley”）列只接受两种类型的类别值“Pave”和“NaN”， pandas可以自动将此列转换为两列“Alley_Pave”和“Alley_nan”。巷子类型为“Pave”的行会将“Alley_Pave”的值设置为1，“Alley_nan”的值设置为0。缺少巷子类型的行会将“Alley_Pave”和“Alley_nan”分别设置为0和1。为了处理缺失的数据，典型的方法包括插值法和删除法， 其中插值法用一个替代值弥补缺失值，而删除法则直接忽略缺失值。

NumPy 更适合数据分析和快速数学运算，而 PyTorch 更适合构建和训练神经网络。：用于表示视频或序列数据，如（批次大小，时间步长，高度，宽度，通道数）。PyTorch：主要用于深度学习，支持自动微分，可以在GPU上运行。：用于表示图像批次，如（批次大小，高度，宽度，通道数）。NumPy：主要用于数学和科学计算，处理数组和矩阵运算。：通常用于表示单个图像，如（高度，宽度，通道数）。

反向传播（Backpropagation）是一种基于梯度下降算法的优化方法，用来计算模型中每个参数对于损失函数的梯度，从而更新参数以最小化损失函数。优化器的作用就是通过调整模型的参数，使得损失函数的值最小化或最大化。8.注意力机制模型（Attention Mechanism Model）：用于处理序列数据的模型，通过对输入序列的不同部分赋予不同的注意权重来提升模型性能。9.Transformer模型：基于注意力机制的模型，用于处理序列数据的模型，如自然语言处理任务中的机器翻译和文本生成等。

通过在不同的位置应用不同的卷积核，卷积层能够提取出不同的特征，例如边缘、纹理等。它提供了一些流行的数据集、模型架构和图像转换函数，以方便用户进行计算机视觉任务的开发和研究。3.在图像转换方面，torchvision提供了一系列的图像预处理和数据增强函数，如裁剪、缩放、翻转、旋转、亮度调整和颜色增强等。通过多层的特征提取，网络能够逐渐学习到更加抽象和高级的特征，从而提高模型的性能。3.数据打乱和重复：DataLoader能够自动打乱数据的顺序，并可以设置数据的重复次数，以增加训练的随机性和多样性。

监督学习通过已知的输入和输出来建立模型，使其能够预测新的输入对应的输出。机器学习算法通过统计和数学模型来分析和理解数据，从而能够自动发现数据中的模式和规律，并根据这些规律进行预测和决策。深度学习的核心是构建深层次的神经网络模型，通过大量的训练数据来自动学习和提取特征，从而实现对数据的理解、分类和预测。总而言之，深度学习是一种强大的机器学习技术，能够处理复杂的问题和大规模的数据。总而言之，机器学习是一种通过数据和算法来让计算机系统自动学习和改进的技术，它为我们提供了解决复杂问题的一种新方法。