qq_54121895的博客

这里数据提取器中要进行训练集和验证集的划分，取20%作为验证集# 数据集self.X = xreturn self.X[item], self.Y[item] # 数据集一般不让返回str， 要写在字典中，或者转为矩阵。# 数据生成器x, label = read_txt_data(path) # 读取数据集# 数据集没有划分，所以要分割训练集和验证集，valSize为验证集的比例20%文本要先进行分词，得到三个部分传进bert# 模型。

而每个元素的 v 也是通过元素向量与一个Wv。

训练集有带标签的数据和不带标签的数据，一共11钟食物，每一种280张图片验证集每一种30张，无标签训练集3327张。

_init__

不同于回归任务，只输出一个值，分类任务的每一个样本都输出多维的预测值y^，即一个多维向量，代表着一组概率值，其和为1。真实标签y，也同为一组概率向量，且用表示，即如果结果属于该类就取1，剩余类取0。如下图，一共三类，如果有100个样本，5个特征，假如经过一层网络，即 Linear(5,3)，100*5的样本输入，最终变成100*3的输出y^，其中每一个样本的输出都是三维的概率向量，分类任务的loss值会将y，y^经过交叉熵损失算得。

人工智能推动社会经济各个领域从数字化、信息化向智能化发展的同时，也面临着严重的安全性威胁。

定义一个函数（线性回归模型），用于生成预测值，拟合真实数据# 矩阵乘法函数 torch.matmul 来计算线性变换 x * w， 然后加上偏置 b 得到预测值 pred_y这里我们使用平均绝对误差（MAE）作为损失函数# loss函数，这里使用平均绝对误差（MAE）作为损失函数# torch.abs 函数计算pred_y 和真实值 y 之间的逐元素差的绝对值，使用 torch.sum 函数对所有数据点的绝对误差进行求和# 最后，将总误差除以数据点的数量 len(y)，这里是16。

y^：预测值（输出），x：数据（输入），y：标签，x，y是已有的数据w: weight权重，b: bias偏置/偏差，这两是未知数，需要我们学习不断更新的。