chairon的博客

YOLOv8训练自己的数据集，并且对网络进行修改。

GRU 也可以被视为 LSTM 的变体，因为它们基础的理念都是相似的，且在某些情况能产生同样出色的结果。

Google Net 也叫Inception V1，是由Inception模块堆叠而成的卷积神经网络。注意：只有所有特征图大小一样（W、H一样），才能进行拼接，通道数可以不同。请实现以下两种残差结构，并用他们构建网络跑模型。然而有很多更为复杂的卷积神经网络。这是一个简单的线性的卷积神经网络。卷积层是不是越多越好？接下来，笔交给你了！

进行卷积之后，图像大小（W、H）可能会发生改变；生成的特征图大小不是我们想要的，比如说我们希望特征图大小在卷积之后不发生变化；使用MINIST数据集构建更为复杂的卷积神经网络进行分类，要求conv、relu、maxpooling、linear层都使用三个，参数自己调整，比较一下训练结果。图像中不同数据窗口的数据和卷积核作内积的操作叫做卷积，本质是提取图像不同频段的特征。通过二维卷积可以实现图像特征的自动提取，卷积输出的称为特征图；MaxPooling：下采样，图片W、H会缩小为原来的一半。

之前二分类使用的是sigmoid函数进行分类，它可以把输出归一化到[0,1]之间。如果使用Sigmoid激活函数进行多分类，会出现一个问题：每个类别的概率都是[0,1]之间，他们加起来的概率和可能就不为1.我们想要的结果是满足一个分布：概率P>=0;MINIST数据是一个28*28像素的矩阵，如果把它线性隐射到[0,1]之间。图像我们通常会有通道这个概念，可以理解为一个通道就是一个图像的矩阵。标签采用One-hot编码，与预测的概率值计算损失。其实就是对输出值y取对数，然后再除以输出的对数之和。

是一个数据竞赛网站，提供了很多数据集和解决方案，可以在上面提交代码。torchvision.datasets提供了许多数据集。（其实就是第一步、第四步有所改动）请使用MNIST数据集构建一个线性模型分类器。上节课使用全部数据进行训练。MNIST数据集的使用。

多维数据的处理

线性回归是用于预测连续值，做预测；而逻辑回归是预测离散值，即是用来分类的。

通过构造一个 class LinearModel类来实现，所有的模型类都需要继承nn.Module,这是所有神经忘了模块的基础类。在PyTorch中计算图是通过mini-batch形式进行，所以X、Y都是多维的Tensor。前面已经学习过线性模型相关的内容，实现线性模型的过程并没有使用到Pytorch。之前用过Pytorch的Tensor进行Forward、Backward计算。()：它使类的实例可以像函数一样被调用。而使用Pytorch构造模型，重点时在构建计算图和损失函数上。采用MSE作为损失函数。

反向利用链式求导法则计算：Loss对x、w的偏导数（我们最终要求的结果！最简单的线性模型可以简化为y=wx,x是输入，w是参数，是模型需要计算出来的，y是预测值，*可以看成网络中的计算。如果按照之前的梯度下降，根据链式求导法则，那么需要计算的微分公式非常长，计算非常复杂。已知：loss对r的偏导数：-2 、r对y_hat偏导数：1、y_hat对w偏导数：1。即y 对x 的导数，等于y 对u 的导数，乘以u 对x 的导数。求得：loss对w的偏导数：根据链式求导法则，相乘就可以得到啦！

微分（导数），>0:函数上升，损失值在增大，w应该减小（梯度的反方向运动）；

假设学生用x小时学习深度学习，能够得要y分数：那么学习4小时，能够得到多少分？用已知数据作为训练集：选取线性模型作为模型进行预测，线性模型是最简单的模型：𝑦=𝑥∗𝜔+𝑏，我们需要求：𝜔、𝑏在本次案例中，为了简化模型，使𝑦=𝑥∗𝜔:最开始𝜔是选取一个随机值，然后通过训练想要找到一个𝜔的取值使得生成的预测函数与真实值的差异尽可能小，即损失尽可能小。我们采用损失函数来衡量真实值与预测值之间的差异，目标就是：找到一个𝜔使得损失函数的值最小。

YOLOv8零基础配置教程。

Pytorch安装

普遍认为，卷积神经网络的出现开始于LeCun 等提出的LeNet 网络（LeCun et al., 1998） ，可以说LeCun 等是CNN 的缔造者，而LeNet-5 则是LeCun 等创造的CNN 经典之作。随着技术的进步和研究的深入，学习系统的能力不断提高，已经在许多领域取得了重要的应用和突破。例如，通过机器学习算法，人工智能可以学习玩家的游戏习惯，自动调整游戏的难度，提供更好的游戏体验。随着人工智能技术的不断进步和创新，我们相信它将为人类带来更多的便利和创新，推动社会的进步和发展。