<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[SpiderB的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/SpiderB</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; SpiderB]]></copyright><item><title><![CDATA[机器学习：pytorch框架（10）--实例阶段性总结：神经网络算法理解（深度学习）]]></title><link>https://blog.csdn.net/SpiderB/article/details/144200366</link><guid>https://blog.csdn.net/SpiderB/article/details/144200366</guid><author>SpiderB</author><pubDate>Mon, 02 Dec 2024 22:31:17 +0800</pubDate><description><![CDATA[经过前面的实例学习，其实我们可以发现：相较于传统的机器学习，神经网络的模型训练过程是一种端到端的过程，简化中间过程，核心是损失函数更新参数，这就把传统任务简化了。人工智能、机器学习、神经网络、深度学习之间的关系20 世纪 50 ~ 60 年代，逻辑为主，智力游戏；20 世纪 80 年代，知识为主，机器人、机器翻译；2010 年至今，数据为主，模式识别、语音识别。在人工智能领域，神经网络（Neural Network，NN）是近年来的热门话题。深度学习是人工智能领域一种具有代表性的实现方法。]]></description><category></category></item><item><title><![CDATA[机器学习：pytorch框架（9）--实例：神经网络实现回归任务（毕业薪酬预测​）]]></title><link>https://blog.csdn.net/SpiderB/article/details/144141021</link><guid>https://blog.csdn.net/SpiderB/article/details/144141021</guid><author>SpiderB</author><pubDate>Fri, 29 Nov 2024 16:49:22 +0800</pubDate><description><![CDATA[在面向应届毕业生的众多微信公众号中，经常可以看到诸如“毕业薪酬预测”和“职业生涯规划”之类的趣味性互动内容。这些预测工具实际上运用了简单的回归分析方法。通常，用户会被要求输入关于个人教育背景（如毕业院校、专业）、技能掌握情况等信息，或是通过选择题的形式来提交相关信息。完成信息提交后，系统会基于所提供的数据给出一个预估的起薪范围。该回归模型是通过对大量样本数据进行深入分析建立起来的，包括但不限于毕业生所在学校、地区以及已知的薪资分布状况等因素。]]></description><category></category></item><item><title><![CDATA[机器学习：pytorch框架（8）--实例：神经网络实现分类任务（基于MNIST数据集手写数字识别）]]></title><link>https://blog.csdn.net/SpiderB/article/details/144109017</link><guid>https://blog.csdn.net/SpiderB/article/details/144109017</guid><author>SpiderB</author><pubDate>Thu, 28 Nov 2024 13:37:46 +0800</pubDate><description><![CDATA[在寻找示例之后，开始理解代码和运行实现之前，别忘了实现模型的一般的5个步骤：本次，使用深度学习最常用的数据集：Mnist数据集.‌MNIST是一个手写数字图像数据集，包含了大量的手写数字图片及其对应的标签，被广泛应用于图像分类和机器学习领域。‌ MNIST数据集由美国中学生手写数字组成，训练集包含6万张图片，测试集包含1万张图片，数字已经进行过预处理和格式化，图片尺寸固定为28×28。]]></description><category></category></item><item><title><![CDATA[机器学习：pytorch框架（7）--学习阶段性反思，自定义数据加载：dataloader与dataset]]></title><link>https://blog.csdn.net/SpiderB/article/details/144087236</link><guid>https://blog.csdn.net/SpiderB/article/details/144087236</guid><author>SpiderB</author><pubDate>Wed, 27 Nov 2024 16:02:30 +0800</pubDate><description><![CDATA[为了更快速的进入熟练的开发运用阶段，我们现在需要认识到一个问题：pytorch其实是一个工具，或者说仅仅只是一个工具，我们在学习过程中，应该关注我们的核心注意力放在了什么地方！例如，我们一开始学习时，不应该一上来就太过关注于pytorch框架的文档细节，将所有的知识点基础全盘过一遍，这其实是非常耗时的一个策略，学习的效率很低，效果也不好。合理的策略应该是：边做边学！在做和代码实现的过程中，遇到问题，解决问题，记录方案，这样一种面向问题的思路，才会更快速的熟练。]]></description><category></category></item><item><title><![CDATA[机器学习：pytorch框架（6）--深度学习模型训练过程中的torch.autograd方法，实现二元逻辑回归]]></title><link>https://blog.csdn.net/SpiderB/article/details/144068437</link><guid>https://blog.csdn.net/SpiderB/article/details/144068437</guid><author>SpiderB</author><pubDate>Tue, 26 Nov 2024 21:20:56 +0800</pubDate><description><![CDATA[从本质上来来说，深度学习模型的训练过程就是不断更新权重值，而权重值的更新需要求解梯度。因此，梯度在模型训练过程中至关重要。同时，求解梯度是相对复杂的。在实际训练过程中，pytorch框架就提供了自动求导（微分）系统。从而不需要手动计算梯度，只需要搭建好向前传播的计算图，然后根据pytorch中的autograd中相应的方法就可以得到所有张量的梯度。]]></description><category></category></item><item><title><![CDATA[机器学习：pytorch框架（5）--计算图的理解与代码实操]]></title><link>https://blog.csdn.net/SpiderB/article/details/144043320</link><guid>https://blog.csdn.net/SpiderB/article/details/144043320</guid><author>SpiderB</author><pubDate>Mon, 25 Nov 2024 23:18:29 +0800</pubDate><description><![CDATA[在之前的学习记录中，学习了张量的一系列操作，而深度学习就是对张量进行了一系列操作。随着操作种类和数量的增多，其实会导致各种各样想不到的问题，比如我们多个操作之间，该并行还是顺序执行，如何协同不同底层设备。以及如何避免各种冗余的操作等等，以上的问题都会影响我们的运算效率，甚至会引入Bug。而计算图的概念就是为了解决上述问题的而设计的。]]></description><category></category></item><item><title><![CDATA[机器学习：pytorch框架（4）--张量操作和创建，实现一元线性回归]]></title><link>https://blog.csdn.net/SpiderB/article/details/144013588</link><guid>https://blog.csdn.net/SpiderB/article/details/144013588</guid><author>SpiderB</author><pubDate>Sun, 24 Nov 2024 21:09:13 +0800</pubDate><description><![CDATA[在（3）中，通过学习一个实例对pytorch框架有了一个初步认识，但如果想要对pytorch框架实现随心所欲的调整和运用，那就需要对一些基本内容有更加深入的理解和实操。所以基于框架核心的张量概念，做进一步的学习。]]></description><category></category></item><item><title><![CDATA[机器学习：pytorch框架（3）--尝试在一个神经网络实例中理解和实操（鸾尾花数据集）]]></title><link>https://blog.csdn.net/SpiderB/article/details/144000711</link><guid>https://blog.csdn.net/SpiderB/article/details/144000711</guid><author>SpiderB</author><pubDate>Sat, 23 Nov 2024 23:05:58 +0800</pubDate><description><![CDATA[在对pytorch框架的一些核心概念有一定理解之后，在更深入探索整个框架之前，寻找一个pytorch构建的实例，看看真实开发过程中如何编写代码，对我们构建实践上的认知是有帮助，毕竟编程是一项实践工作，只是停留在理论层面而没有实操，那都是纸上谈兵。实践是检验真理的唯一标准。通过将学习的理论和方法应用到实际问题中，加深对理论和方法的理解，巩固学习到的知识。]]></description><category></category></item><item><title><![CDATA[机器学习：pytorch框架（2）--核心概念理解]]></title><link>https://blog.csdn.net/SpiderB/article/details/143974710</link><guid>https://blog.csdn.net/SpiderB/article/details/143974710</guid><author>SpiderB</author><pubDate>Fri, 22 Nov 2024 15:22:52 +0800</pubDate><description><![CDATA[首先需要了解的是：PyTorch的基本概念（如Tensor和Variable）​、自动微分等PyTorch的核心模块。]]></description><category></category></item><item><title><![CDATA[机器学习：pytorch框架（1）安装]]></title><link>https://blog.csdn.net/SpiderB/article/details/143955733</link><guid>https://blog.csdn.net/SpiderB/article/details/143955733</guid><author>SpiderB</author><pubDate>Thu, 21 Nov 2024 22:04:35 +0800</pubDate><description><![CDATA[它将常见的Python包打包发布，解决了独立安装时所遇到的版本冲突问题，同时可以进行创建和管理多个独立的Python虚拟环境。PyTorch是基于动态图构建的，可以使用Python一般的语法，如If/Else/While/For等，天然的Python友好且便于调试，熟悉Python的人们可以快速上手。在选项卡中选好配置后，选项卡下面的“Run this Command”栏中就会生成相应的安装命令，将其复制到CMD命令行中运行即可完成PyTorch的安装。然后去英伟达官网查看对应的支持版本。]]></description><category></category></item></channel></rss>