- 博客(30)
- 收藏
- 关注
RSS订阅原创 Pytorch 小记 第十三回：自动编解码器代码
本次小记，提供了一份基于pytorch的自动编解码的代码。在本回代码中，通过minist数据集来建立一个简单的自动编码器。除了提供代码外，本小记对代码中不容易理解的内容，也进行了讲解。本代码的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0，d2l的版本是1.0.3
2025-04-05 20:00:00
778
原创 Pytorch 第十三回：神经网络编码器——自动编解码器
本次开启深度学习第十三回，基于Pytorch的神经网络编码器。本回先分享一个自动编码器。在本回中，通过minist数据集来分享如何建立一个简单的自动编码器。接下来给大家分享具体思路。本次学习，借助的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118，d2l的版本是1.0.3
2025-04-02 19:30:00
1267
1
原创 Pytorch 小记 第十二回：LSTM循环神经网络模型代码
本次小记，提供了一份基于pytorch的LSTM循环神经网络模型的代码。代码通过LSTM模型完成对股票收盘价格的预测。除了提供代码外，本小记对代码中不容易理解的内容，也进行了讲解。本代码的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0，d2l的版本是1.0.3
2025-03-27 18:45:00
607
原创 Pytorch 第十二回：循环神经网络——LSTM模型
本次开启深度学习第十二回，基于Pytorch的LSTM循环神经网络模型。本回分享第二个循环神经网络，叫做LSTM模型。在本回中，设计通过LSTM模型来对股票收盘价格进行预测。接下来给大家分享具体思路。本次学习，借助的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118，d2l的版本是1.0.3
2025-03-26 18:30:00
1669
原创 Pytorch 小记 第十一回：RNN循环神经网络模型代码
本次小记，提供了一份基于pytorch的RNN循环神经网络模型的代码。代码是基于RNN模型来完成对股票收盘价格的预测。除此之外，对代码中不容易理解的部分进行了讲解。本代码的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0，d2l的版本是1.0.3
2025-03-24 18:45:00
1631
原创 Pytorch 第十一回：循环神经网络——RNN模型
本次开启深度学习第十一回，基于Pytorch的RNN循环神经网络模型。前面我们已经分享过线性神经网络、多层神经网络和卷积神经网络。接下来，开始学习循环神经网络。本回分享的第一个循环神经网络，叫做RNN模型。在本回中，设计通过RNN模型来对股票收盘价格进行预测。接下来给大家分享具体思路。本次学习，借助的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118，d2l的版本是1.0.3
2025-03-23 21:00:00
4770
9
原创 Pytorch 小记 第十回：DenseNet卷积神经网络模型代码
本次小记，提供了一份基于pytorch的DenseNet卷积神经网络模型的代码。除此之外，对代码中不容易理解的部分进行了讲解。本代码的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118，d2l的版本是1.0.3
2025-03-13 19:00:00
942
原创 Pytorch 第十回：卷积神经网络——DenseNet模型
本次开启深度学习第十回，基于Pytorch的DenseNet卷积神经网络模型。这是分享的第五个卷积神经网络模型。在第九回当中，分享了ResNet模型，该模型解决了梯度消失和网络退化的问题。本回的DenseNet模型在某种程度上来说是ResNet模型的升级版，接下来给大家分享具体思路。本次学习，借助的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118，d2l的版本是1.0.3
2025-03-12 19:30:00
1489
原创 Pytorch 小记 第九回：ResNet卷积神经网络模型代码
本次小记，提供了一份基于pytorch的ResNet卷积神经网络模型的代码。除此之外，对代码中不容易理解的部分进行了讲解。本代码的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118，d2l的版本是1.0.3
2025-03-10 20:00:00
452
原创 Pytorch 第九回：卷积神经网络——ResNet模型
本次开启深度学习第九回，基于Pytorch的ResNet卷积神经网络模型。这是分享的第四个卷积神经网络模型。该模型是基于解决因网络加深而出现的梯度消失和网络退化而进行设计的。接下来给大家分享具体思路。本次学习，借助的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118，d2l的版本是1.0.3
2025-03-09 20:45:00
1061
2
原创 Pytorch 小记 第八回：GoogleNet卷积神经网络模型代码
本次小记，提供了一份基于pytorch的GoogleNet卷积神经网络模型的代码。除此之外，对代码中不容易理解的部分进行了讲解。本代码的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118，d2l的版本是1.0.3
2025-03-07 21:00:00
1096
原创 Pytorch 第八回：卷积神经网络——GoogleNet模型
本次开启深度学习第八回，基于Pytorch的GoogleNet卷积神经网络模型。对于卷积神经网络，咱们讲过了AlexNe模型和VGG模型。本回再分享一个新的模型，叫做GoogleNet模型。这个模型的突出点是采用了不同大小的卷积核进行组合训练。接下来给大家分享具体思路。本次学习，借助的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118
2025-03-05 20:00:00
1024
原创 Pytorch 小记 第七回：VGG卷积神经网络模型代码
Pytoch小记 第七回，提供了一份基于pytorch的VGG卷积神经网络模型的代码。除此之外，对代码中不容易理解的部分进行了讲解。本代码的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118
2025-03-02 18:30:00
416
原创 Pytorch 第七回：卷积神经网络——VGG模型
本次开启深度学习第七回，基于Pytorch的VGG卷积神经网络模型。在上回当中，大致讲解了AlexNet卷积神经网络的思路。但AlexNet模型需要一层层去搭建，并没有给大家提供一个通用性的模板，因此这次给大家分享一个具有通用模板的经典卷积神经网络模型——VGG卷积神经网络模型。本次学习，借助的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118
2025-03-01 20:00:00
1750
原创 Pytorch 小记 第六回：AlexNet卷积神经网络模型代码
本次小记，提供了一份基于pytorch的AlexNet卷积神经网络模型的代码。除此之外，对代码中不容易理解的部分进行了讲解。本代码的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118
2025-02-28 18:30:00
268
原创 Pytorch 第六回：AlexNet卷积神经网络模型
深度学习第六回，基于Pytorch的AlexNet卷积神经网络模型。本回采用卷积神经网络进行分类训练，分类的训练集采用CIFAR10。由于训练模型较为复杂，训练数据量较大，引入了GPU进行数据训练。本次学习，借助的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118
2025-02-27 20:00:00
969
原创 Pytorch 小记 第五回：深层神经网络模型代码
本次小记，提供了一份基于pytorch的完整的深层神经网络模型的代码，包含训练模型代码和测试模型代码。除此之外，对代码中不容易理解的代码和函数进行了讲解。本代码的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118
2025-02-22 18:30:00
855
原创 Pytorch 第五回：深层神经网络模型（下）
Pytorch学习第五回，深层神经网络模型（下）。本回上半部分，我们完成了深层神经网络的搭建和对mnist数据集的训练。在本回的下半部分，我们将在上半部分的基础上，完成对训练好的模型的检测。本次学习，借助的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118
2025-02-21 18:30:00
1566
原创 Pytorch 第五回：深层神经网络模型（上）
Pytorch学习第五回，采用五层神经网络完成对 mnist数据集的学习，实现图像数字的识别。本次学习，借助的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118
2025-02-20 21:00:00
665
原创 Pytorch 小记 第四回：两层神经网络模型代码
本文章提供了一份基于pytorch的完整的两层神经网络模型的代码，并对其中不容易理解的代码和函数进行了讲解。本代码的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118。
2025-02-18 18:30:00
1347
原创 Pytorch 第四回：两层神经网络模型（下）
介绍了一种方便搭建神经网络的方式——nn.Sequential方式搭建神经网络。并在上半部分的基础上，讲述了如何引入nn.Sequential，搭建神经网络。本次学习，借助的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118
2025-02-17 21:00:00
611
原创 Pytorch 第四回：两层神经网络模型（上）
Pytorch学习第四回，采用两层的神经网络完成非线性数据的分类。本次学习，借助的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118
2025-02-17 18:30:00
898
原创 Pytorch 小记 第三回：二分类逻辑回归模型代码
本文章提供了一份基于pytorch的完整的二分类逻辑回归模型的代码，并对其中不容易理解的代码和函数进行了讲解。本代码的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118。
2025-02-13 17:00:30
974
原创 Pytorch 第三回：二分类逻辑回归模型（下）
接着深度学习第三回，基于Pytorch的二分类逻辑回归模型的叙述。在接下来的内容中，将讲解如何提升logistic回归模型的训练效率。本次学习，借助的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118
2025-02-12 18:30:00
802
原创 Pytorch 第三回：二分类逻辑回归模型（上）
开启深度学习第三回，基于Pytorch的二分类逻辑回归模型。与前两回不同，这次采用pytorch 的专有函数建立logistic回归模型，并引入SGD优化器进行梯度运算，同时在模型效果评定上加入了精确度这个参数。本次学习，借助的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118
2025-02-11 19:30:00
458
原创 Pytorch 小记 第二回：多项式模型代码
本文章提供了一份基于pytorch的完整的多项式模型的代码，并对其中不容易理解的函数进行了讲解。本代码的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118。
2025-02-09 14:31:59
212
原创 Pytorch 小记 第一回：线性模型代码
本文章提供了一份基于pytorch的完整的线性模型的代码，并对编译过程中出现的问题进行了讲解。本代码的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118。
2025-02-07 13:29:31
204
原创 Pytorch 第一回：线性模型&&梯度下降
一元线性模型，即Yi=aXi+b我们采用这个模型进行预测，也是希望预测值与实际值之间的误差最小，即如何最小化这个误差呢，就需要借助梯度下降法了。其中参数a采用随机方式获取，参数b初始化为0。其中参数的requires_grad属性需要设定为True，这样才能参与梯度的运算。torch.manual_seed()函数可以保证每次验证结果都能一致。代码如下1、建立对应数据集2、建立一元模型和损失函数，并初始化参数3、确立学习率，并迭代找到一组使误差最小的参数a和b。
2025-02-07 13:10:39
1194
1
原创 Windows系统中，英伟达显卡驱动更新，Pytorch与cuda程序安装
1、注意驱动程序是否需要更新，更新后注意需要兼容的cuda版本2、安装好cuda后，相应的pyhon版本需要注意3、cuda和pyhon安装好后，需要考虑pytortch的安装版本。
2025-02-05 15:00:09
926
1
股票相关的时间序列数据
2025-03-23
逻辑回归（logistic）二分类模型的数据点
2025-02-10
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人