qq_62965644的博客

基于给定数据集，进行数据预处理，搭建以LSTM为基本单元的模型，以Adam优化器对模型进行训练，使用训练后的模型进行预测并计算预测分类的准确率。IMDB数据集是一个对电影评论标注为正向评论与负向评论的数据集，共有25000条文本数据作为训练集，25000条文本数据作为测试集。首先，对于创建词汇表，记录每一个单词出现的频率，并由此将特征数据集转为特征向量。将测试集的内容导入并做和训练集一样的预处理，然后将测试集放入模型中，将均方误差作为评价标准，计算平均误差。本文由博客一文多发平台。绘制出损失值的变化图像。

针对已知类别的5张卧室照片(标签为+1)和5张森林照片(标签为-1)所对应的矩阵数据进行分类训练,得到训练集模型;再利用支持向量机对另外未知类别的5张卧室照片和5张森林照片数据进行测试分类(二分类)，得到分类结果及其准确率。然后将支持向量机所表示的超平面上的部分点找到也进行一样的处理（随机选取），而后再在二维平面上连成直线（由于降维问题，图像并不完美）可以将支持向量机看成一个简单的，只有输入输出层的神经网络。将房间的数据和森林的数据进行合并，生成一个真正用于训练的input。本文由博客一文多发平台。

首先是学习的次数和学习率，其次要指定优化器，pytorch中有很多种优化器可以选择，这里选择最基本的SGD就行，其次要指定损失函数，pytorch中也提供了非常多的损失函数，也可以自行选择。在pytorch中对于任何一个模型都要先定义一个模型的内，在这个模型类中super下和前向传播中将会记录数据经过哪些层（卷积层，池化层等），这样就可以建立一个基本的模型。然后是训练参数，这里要注意每次把优化器清零和进行参数更新。然后预测一下（就是直接前向传播一下）可以发现模型是以字典的形式进行保存的。

所以，对于出版社，我选取了出版社的平均评分和出版社在这个表格中出现的频率作为出版社的评价指标。此外，选择了前40000条数据作为训练集，考虑到运算的时间成本，后续只选择了剩下20000条数据中的五千条作为测试集。由于数据规模庞大，选择在一批数据进行训练得到损失值后，再进行一次参数更新，每批次选择32个数据。选择5000个数据，将他们放入模型中，计算出他们与真实结果的偏差的和，并求出平均偏差。基于给定数据集，采用三层bp神经网络方法，编写程序并构建分类模型，通过给定特征实现预测的书籍评分的模型。

这里采用回归模型，既y=x*weight1+bias1，设置的学习率为0.0006，损失函数采用了MSE（均方误差）2、读取数据后，对x数据进行标准化处理，以便于后续训练的稳定性，并转换为tensor格式。由于数据量较少，所以将整个训练集作为测试集，观察生成的图像。1、首先对数据进行读取和预处理。3、接下来设置训练参数和模型。本文由博客一文多发平台。

这种直接采用已经训练好的算法模型的部分参数作为自己的算法模型的初始化的学习算法，就是迁移学习。最好就是训练模块，首先需要的参数为：模型，数据集，损失函数，优化器，训练次数，（is_inception是是否选择其他的网络模型，由于这里参考的是pytorch官网所以这里保留，但是实际上用不到），和保存路径。这里scheduler我们对于学习率进行了衰减，对于当前的学习器，每7步衰减为十分之一，然后损失函数有所改变，这是因为模型所导致的，因为这里主要是对于框架学习，所以不多阐述。以上就是迁移学习的全过程。

这里是一种“偷懒”的方式，我将每一次的卷积池化作为一个模块给到conv1和conv2并且对比二者，可以发现，其实Conv2d中的变量名是可以省略的，同理，全连接层的Linear也是一样，之后我们将正确率作为该网络的损失函数。首先是对数据集的处理，这里进行一些补充，我们不仅可以从GitHub上下载mnist数据集，也可以在torchvision中datasets中下载。以上，我们下载好数据集后，还对数据集进行了处理，将数据分为一批一批的形式，每批次有64个数据，之后构建CNN网络。

使用pytorch中我们可以使用TensorDataset和DataLoader对数据集进行简化，首先是TensorDataset，它可以将我们已经转化为tensor的数据进行合并，构成数据集，而DataLoader则是对TensorDataset的数据集进行操作，它会自动地帮我们取出一个批次所需要的数据量。首先是获取手写数字的数据集，mnist是一个有名的手写数字的数据集，由784个像素点组成，且都为黑白色。先来一点插曲，pytoch中nn.functionhenn.Module的区别在哪呢？

这样的话数据集构成的集会比较偏扁圆，也就是说average这个量相对于小的month这个量对应模型的影响更大，这会导致模型训练不稳定，我们应该让每一个特征元素都能“平等”地对模型进行影响，所以我们需要对模型进行一定的标准化。神经网络的基本参数构建好了，接下来就是训练过程，首先我们通过第一层的权重，并加上偏差得到隐藏层的值，接着我们要使用激活函数对隐藏的值进行“激活”，激活后的值通过第二层权重并加上第二层的偏差便得到了预测值。首先数据中提供了年月日和当天是星期几，以及前天，昨天和全年的平均的气温。

首先我们来讲解一下什么是model_zoo，简单来说model_zoo就是直接借用别人好的模型结构或者预训练的模型来使用。可以在pytorch hub官网上查看一些模型。仅一行代码就可以加载别人的优秀模型，并且会不断更新，例如点开一个yolo项目。我们可以在GitHub上查看，也可以用谷歌提供的环境来进行实验（需要魔法）

首先在pytorch框架中所有的变量都为张量tensor，这里可以简单的理解为一个矩阵就行，对于张量的操作和numpy中对矩阵的操作类似，这里不做赘述。在pytorch中可以使用自动求导机制对函数进行求导，例如一个简单的神经网络。x和w作为输入变量，相乘以后，加上b参数得到z，对z进行反向传播，首先要进行。接下来就可以使用grad直接查看变量的梯度。