weixin_42708161的博客

Python 第三方库——pretty_errors实现对traceback的高亮和美化

import numpy as npfrom sklearn.decomposition import PCA as Pclass PCA(): # n_components:保留主成分的个数 def __init__(self, n_components): self.n_components = n_components # X是初始数据，d行n列，n个d维向量，每列是一个向量 def fit(self, X):

https://www.jianshu.com/p/a41fbd4919f8

简单来说，迁移学习就是把一个领域学到的知识，应用到另一个领域。举例来说，如果我们的任务是图片分类问题，假设分成10类。那么随机的正确率是10%，某个神经网咯经过一定的训练，正确率达到了20%（这比随机的效果好一些），我们就说该神经网络学到了知识！事实上，我们在生活中也常常应用迁移学习的知识。比如还在上中学的时候，我们会根据当前的处境推断大学生的生活，中学生和大学生都会写作业，都会学习新知识……。也许会有推断错误的地方，但这总比一无所知好。微调初始化神经网络时，可以随机初始化，即从头开始训练，也可以用

前面训练神经网络，我们使用了torch内置的dataset类作为数据类。这种方法用来做一些demo不错，但是实际应用中需要自定义数据类。下载数据集https://download.youkuaiyun.com/download/weixin_42708161/14156096下载后解压此压缩包，并将其存储到"data/faces"的目录中。这个数据集包含了各种面部姿态，已经手工标注的关键点。数据集存放在一个csv中，每一行是一个数据。img_namepoint0_xpoint0_ypoint1

pytorch的优点之一是可以使用GPU加速，但是默认情况下，只会使用一个GPU。本文内容是如果使用多个GPU并行运算。代码import torchimport torch.nn as nnfrom torch.utils.data import Dataset, DataLoaderinput_size = 5output_size = 2batch_size = 30data_size = 100#设备device = torch.device("cuda:0" if torc

CPU运行神经网络较慢，可以使用GPU加速。安装cuda版本的to安装教程demo导入torch库以后，调用下面的函数，如果打印True就说明安装成功。import torchprint(torch.cuda.is_available())定义一个cuda设备device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")print(device)将网络的参数设置为cuda张量net = Net().t

深度学习的3个主要步骤如下：定义一个函数集F。定义一个评价函数：其输入是F中的某个函数f（实际上是决定了函数表达式的参数），输出是f的好坏。从F中找到一个最好的函数。神经网络其实就是一个函数集，我们通过定义神经网络的结构，决定了函数的一般形式。神经网络的参数则决定了 函数的表达式，这些参数是计算机根据一定的规则学习的。定义函数集在上一节中，我们已经定义了一个简易的神经网络，其代码如下：#神经网络import torchimport torch.nn as nnimport torch

Pytorch是一个机遇Torch的python第三方库，是当前最流行的机器学习库之一。本文讲讲述如何搭建一个简易的神经网络。将自定义神经网络封装在一个类（Net类）中，此类需要继承nn.Module。Net类需要重写父类的两个函数，分别是构造函数和前向传播。构造函数：在这里定义前向传播函数中需要用到的层，如卷积层，全连接层。这里定义的层通常是比较复杂，需要参数的。前向传播：定义了神经网络从输入，到隐层再到输出的运算过程。这里包含简单的前向传播函数，如有激活函数（如Sigmoid，Relu等），也

Pytorch是一个机遇Torch的python第三方库，是当前最流行的机器学习库之一。本文机遇Pytorch官方中文教程。Tensor（张量）tensor类似于numpy中的adarray，是n维张量。创建tensor#张量：不初始化（都是0）print("构造张量：不初始化")x = torch.empty((5,3))print(x)#随机初始化print("构造张量：随机初始化")x = torch.rand((5,3))print(x)#全0矩阵print("构造张量

numpy介绍numpy是python中的科学计算基础包，其核心是多维数组adarray。该库提供了用于数组计算的各种API，包括线性代数，统计，离散傅里叶变换等。基础知识轴：多维数组的维数成为轴，如 一维向量的轴是1，矩阵的轴是2。常见属性import numpy as npa = np.arange(15).reshape(3,5)#常见属性print("数组的维度的个数:\t\t",a.ndim)print("数组的形状：\t\t\t",a.shape)print("数组元