李沐老师《动手学深度学习》课程总结1

最新推荐文章于 2024-08-29 15:46:59 发布
最新推荐文章于 2024-08-29 15:46:59 发布
阅读量786 收藏
点赞数
文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Monica_428/article/details/123964642
版权

数据操作
1、 创建数组：形状、数据类型、数据值
2、 访问元素：[1, 2] 访问第二行第三列
[1, :] 访问第二行
[1:3, 1:] 子区域：第二行至第四行前一行到第二列之后所有
[::3, ::2] 子区域：每三行一跳 第零、三…行拿出; 第零、二…列拿出
两个点表示跳转
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
元素访问
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
自动求导
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

Monica_428
关注
李沐开源新作，一起来《动手学深度学习》
Datawhale
06-28 3363
点击上方“Datawhale”，选择“星标”公众号第一时间获取价值内容图文 / 静修 排版/ 家豪【导读】《动手学深度学习》这本书由亚马逊首席科学家李沐，亚马逊应用...
精品--️李沐 【动手学深度学习】课程学习笔记：使用pycharm编程，基于pytorch框架实现。.zip
02-05
【标题】中的“精品--️李沐 【动手学深度学习】课程学习笔记”指的是由李沐教授的深度学习课程，这是一门旨在帮助学生通过实践掌握深度学习理论和技术的课程。学习笔记通常包括课程的主要概念、关键算法以及编程...
李沐-动手学深度学习
qq_60678226的博客
05-23 832
n维数组是机器学习和神经网络的主要数据结构。 首先导入torch: 张量表示一个数值组成的数组，这个数组可能有多个维度 arange(x): 表示0到x-1的整数数列，左闭右开 张量的shape属性来访问张量的形状和张量中元素的总数 张量的numel()属性来访问张量中元素的总数（标量） 改变一个张量的形状而不改变元素数量和元素值，我们可以调用reshape()函数 dtype确定张量的数值类型（dtype=torch.float32)32位的浮点数 cat将两个张量..
day07||深度学习（李沐动手学深度学习）
最新发布
m0_67567149的博客
08-29 782
NiN是在AlexNet问世不久后提出的。它们的卷积层设定有类似之处。NiN使用卷积窗口形状分别为11×11、5×5和3×3的卷积层，相应的输出通道数也与AlexNet中的一致。每个NiN块后接一个步幅为2、窗口形状为3×3的最大池化层。除使用NiN块以外，NiN还有一个设计与AlexNet显著不同：NiN去掉了AlexNet最后的3个全连接层，取而代之地，NiN使用了输出通道数等于标签类别数的NiN块，然后使用全局平均池化层对每个通道中所有元素求平均并直接用于分类。
李沐 动手学深度学习--深度学习计算
深度学习 初学者
07-02 220
【代码】李沐 动手学深度学习--深度学习计算。
[课程笔记]（李沐-动手学深度学习）
weixin_38800498的博客
06-09 7975
比如y=|x|的导数，可以在[-1,1]之间取任意值 将导数拓展到向量->梯度 第一种情况：y标量x向量 （y标量x向量）补充：内积 可以这样来理解向量内积：向量a、b的内积等于向量a在b方向的分量（或投影）与b的内积，当a、b垂直时，a在b方向上无分量，所以内积为0。其他几何意义：从内积数值上我们可以看出两个向量的在方向上的接近程度。 当内积值为正值时，两个向量大致指向相同的方向（方向夹角小于90度）； 当内积值为负值时，两个向量大致指向相反的方向（方向角大于90度）； 当内积值为0时，两个向量互相垂
0919批量归一化
m0_54028213的博客
09-19 731
① 当每一个层的均值和方差都固定后，学习率太大的话，靠近loss上面的梯度太大，就梯度爆炸了，学习率太小的话，靠近数据的梯度太小了，就算不动（梯度消失）。 ② 将每一层的输入放在一个差不多的分布里，就当每一个层的均值和方差都固定后，学习率太大的话，靠近loss上面的梯度太大，就梯度爆炸了，学习率太小的话，靠近数据的梯度太小了，就算不动（梯度消失）。 ② 将每一层的输入放在一个差不多的分布里，就可以用一个比较大的精度了，就可以加速收敛速度。 ③ 归一化不会影响数据分布，它一点都不会影响精度，变好变坏都不会。
李沐-动手学深度学习笔记
01-05
李沐老师b站课程的笔记，
【动手学深度学习v2】深度学习-李沐老师课程中代码详解-softmax
08-09
【动手学深度学习v2】深度学习——李沐老师课程中代码详解——softmax
【动手学深度学习v2】深度学习-李沐老师课程中代码详解-权重衰退
08-09
【动手学深度学习v2】深度学习——李沐老师课程中代码详解——权重衰退
【动手学深度学习v2】深度学习-李沐老师课程中代码详解-drop out
08-09
【动手学深度学习v2】深度学习——李沐老师课程中代码详解——drop out
【李沐】动手学深度学习 学习笔记
热门推荐
chenxiaowai_的博客
03-21 1万+
你好！这是【李沐】动手学深度学习v2-基于pytorch版本的学习笔记教材源代码安装教程（安装pytorch不要用pip，改成conda，pip太慢了，下载不下来）个人推荐学习学习笔记本节代码文件在源代码文件的chapter_deep-learning-computation/custom-layer.ipynb中不带参数的层下面的CenteredLayer类要从其输入中减去均值。要构建它，我们只需继承基础层类并实现前向传播功能。让我们向该层提供一些数据，验证它是否能按预期工作。带参数的层。
李沐-动手学深度学习Pytorch版（逐渐更新版）
weixin_59959722的博客
07-23 639
深度学习的应用：图片分类物体分割和检测样式迁移（把样式图片和内容图片结合-类似于滤镜）人脸合成（用算法合成人脸-假的人脸）文字生成图片文字生成（gpt3-问问题然后回答）无人驾驶案例研究-广告点击预测点击率。
学习笔记-李沐动手学深度学习（一）（01-07，概述、数据操作、tensor操作、数学基础、自动求导（前向计算、反向传播））
ljmiiianng的博客
01-19 2214
【语言是一个符号】【深度学习是机器学习的一种】最热的方向：深度学习和CV、NLP结合【AI地图】① 如下图所示，X轴是不同的模式，最早的是符号学，然后概率模型、机器学习。Y轴是我们想做什么东西，感知是我了解这是什么东西，推理形成自己的知识，然后做规划。② 感知类似我能看到前面有个屏幕，推理是基于我看到的东西想象未来会发生什么事，根据看到的现象、数据，形成自己的知识，知道所有知识后能进行长远的规划，未来怎么做。
李沐《动手学深度学习》卷积神经网络 经典网络模型
weixin_47748259的博客
01-27 2196
DenseBlock中的非线性组合函数采用的是BN+ReLU+3x3Conv的结构。
【机器学习】《动手学深度学习 PyTorch版》李沐深度学习笔记
qq_44832832的博客
11-14 3189
【机器学习】《动手学深度学习 PyTorch版》李沐深度学习笔记
李沐《动手学深度学习》多层感知机 模型概念和代码实现
weixin_47748259的博客
01-19 1408
隐藏层数目和隐藏单元数视为超参数，一般选择2的若干次幂为层的宽度， 因为内存在硬件中的分配和寻址方式，这么做往往可以在计算上更高效。当输入为0时，sigmoid函数的导数达到最大值0.25，输入在任一方向越远离0点时，导数越接近0。导入相关库，设置批量大小为256，调用load_data_fashion_mnist函数获取数据集。当输入接近0时，tanh函数的导数接近最大值1，输入在任一方向越远离0点时，导数越接近0。多层感知机架构：将许多全连接层堆叠在一起，每一层都输出到上面的层，直到生成最后的输出。
【动手学深度学习】李沐——循环神经网络
FavoriteStar的博客
11-04 1823
关于李沐老师的【动手学深度学习】课程其中的循环神经网络章节的学习记录，包括完整代码的解释及个人见解。
【动手学深度学习】李沐——卷积神经网络
FavoriteStar的博客
10-26 2111
关于李沐老师的【动手学深度学习】课程其中的卷积神经网络章节的学习记录，包括完整代码的解释及个人见解。
李沐深度学习课程的Transformer代码实现分析
本压缩包内含的代码实现基于李沐老师所教授的动手学习深度学习课程，提供了丰富的深度学习模型的Python代码实现。以下将详细介绍标题和描述中所涵盖的知识点： ### 标题知识点： 1. **Transformer代码实现**：标题...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值