SJZSZYH的博客

这三行代码是深度学习中非常常见的训练迭代过程中的反向传播和参数更新操作，其中 zero_grad() 和 backward() 方法是 PyTorch 内置的自动求导功能的核心方法，而权重参数的更新则是根据梯度下降法的基本原理实现的。conv2d.weight.data[:] -= lr * conv2d.weight.grad ：根据梯度下降法的更新规则，使用学习率 lr 以及计算出的梯度值 conv2d.weight.grad，更新卷积层权重参数。如果不指定参数，默认情况下返回一个大小为1的单位矩阵。

注：本文参考李沐老师的动手学深度学习第二版，代码是教材上的，我只是调整一些参数，加一些层数看看训练效果。训练效果还是比较好的。

其中mean和std分别通过(0.5,0.5,0.5)和(0.5,0.5,0.5)进行指定。原来的0-1最小值0则变成(0-0.5)/0.5=-1，而最大值1则变成(1-0.5)/0.5=1.注：Python图像库PIL(Python Image Library)是python的第三方图像处理库，但是由于其强大的功能与众多的使用人数，几乎已经被认为是python官方图像处理库了。而后面的transform.Normalize()则把0-1变换到(-1,1).这样就把两个步骤整合到了一起。

这里是我学习李沐老师的动手学深度学习时，教材课后题的一些解答，如果有不正确的解答还请指出来。持续更新。

本文对在深度学习当中使用pytorch框架用到的一些函数的简单介绍

前言本文使用的是colab，采用pytorch框架，对应的视频教学是李沐的动手学深度学习，本文针对代码进行注释和整理笔记。

之前使用pycharm都可以安装这些库，就是有时候快有时候慢，忽然之间怎么安装都安装不上，并且sklearn显示安装成功后1其version显示。参考这位博主的，很快就解决了，不需要更新pip版本等，可以试一试。

【代码】吴恩达深度学习：course2 - week1 课后作业（代码解读）

但是，如果您想象一个更理想的场景，即控制照明，那么每个图像之间的相对差异在算法中将具有重要价值，我们不希望通过每图像归一化来消除这一点（并且希望在整个训练数据集的上下文中进行归一化）。你可以用多种方式处理，但有一个条件是你应该使用相同的函数处理每个数据 X_preproc = f（X），并且这个 f（.） 不应该依赖于数据本身，所以如果你使用当前图像均值来处理这个当前图像，那么你的 f（X） 实际上真的是 f（X， 图像），你不想要那个。这通常有助于网络更快地学习，因为梯度对每个通道的作用是均匀的。

Numpy的int64是一个64位整数，这意味着它由64个0或1的位置组成。因此，最小的表示值是-2 **63，最大的表示值是2 **63 - 1Python的int本质上是无限长的，因此它可以表示任何值。它相当于Java中的BigInteger。它存储为int64的列表，本质上被认为是一个大数

python中，np.xxx函数总结

本文参考该播主实现，需要的文件在博主的文章里：https://blog.youkuaiyun.com/u013733326/article/details/79767169这次我先记录我自己打代码时候的错误，最后把添加注释的代码放到最后；

本文主要参考该博主的文章来理解创作的：这是原博主的链接地址：https://blog.youkuaiyun.com/u013733326/article/details/79702148。

python版本3.7.4。

吴恩达深度学习第二周作业，第二周主要讲述的是逻辑回归学习算法，我们主要做的是搭建一个能够"识别猫"的简单神经网络。x : 表示一个nx维数据，为输入数据，维度为（nx，1）y : 表示输出结果，取值为（0，1）((𝑥(𝑖),𝑦(𝑖)) : 表示第i组数据，可能是训练数据，也可能是测试数据，此处默认为训练数据𝑋=[𝑥(1),𝑥(2),…,𝑥(𝑚)]：表示所有的训练数据集的输入值，放在一个 𝑛𝑥×𝑚的矩阵中，其中 𝑚表示样本数目;