KI的博客

PyTorch搭建预训练AlexNet、DenseNet、ResNet、VGG实现猫狗图片分类

PyTorch搭建Transformer实现多变量多步长时间序列预测（负荷预测）

PyTorch搭建CNN-LSTM混合模型实现多变量多步长时间序列预测（负荷预测）

PyTorch搭建LSTM实现多变量输入多变量输出时间序列预测

时间序列预测中使用类EMD方法时的信息泄露和计算量问题

PyTorch-LSTM时间序列预测中如何预测真正的未来值

PyTorch搭建LSTM实现多变量多步长时间序列预测（五）：seq2seq

PyTorch搭建LSTM实现多变量多步长时间序列预测（四）：多模型滚动预测

PyTorch搭建LSTM实现多变量多步长时间序列预测（三）：多模型单步预测

PyTorch搭建LSTM实现多变量多步长时间序列预测（二）：单步滚动预测

PyTorch中实现LSTM多步长时间序列预测的几种方法总结（负荷预测）

PyTorch搭建双向LSTM实现时间序列预测（负荷预测）

PyTorch搭建LSTM实现多变量多步长时间序列预测（负荷预测）

PyTorch搭建LSTM实现多变量时间序列预测（负荷预测）

PyTorch搭建CNN实现时序预测（风速预测）

机器学习中常用的矩阵求导规则。

PyTorch搭建LSTM实现时间序列预测（负荷预测）

深入理解PyTorch中LSTM的输入和输出（从input输入到Linear输出）

联邦学习基本算法FedAvg的代码实现

从矩阵链式求导的角度来深入理解BP算法（原理+代码）

PyTorch搭建ANN实现时间序列预测（风速预测）

2017第16届IEEE机器学习与应用国际会议：A Review of Deep Learning Methods Applied on Load Forecasting--阅读笔记。

简单了解长短期记忆网络LSTM和门控循环单元网络GRU与一般RNN的不同，并掌握它们的工作原理。

前馈神经网络可以看作一个复杂的函数，每次输入都是独立的，即网络的输出只依赖于当前的输入。在RNN中，神经元不但可以接受其他神经元的信息，也可以接受自身的信息，形成具有环路的网络结构。

简单叙述普通自编码器、堆叠自编码器、稀疏自编码器、降噪自编码器的原理及应用。

CNN通常包括这几层：输入层（Input layer）、卷积层（Convolutional layer）、池化层（pooling layer）以及输出层（全连接层+softmax layer）。

该项目的难点主要在于对数据的处理，本篇博客主要是详细地去讲解数据处理过程，模型定义得比较简单，后续会更新。

上一篇文章介绍了使用pytorch的Dataset和Dataloader处理图片数据，现在就用处理好的数据对搭建的CNN进行训练以及测试。

Anaconda Powershell Prompt中直接输入pip install six

pytorch的torchvision给我们提供了很多已经封装好的数据集，但是我们经常得使用自己找到的数据集，因此，想要得到一个好的训练结果，合理的数据处理是必不可少的。

RuntimeError: size mismatch, m1: [10 x 43264], m2: [10816 x 2] at C:/w/b/windows/pytorch/aten/src\THC/generic/THCTensorMathBlas.cu:283

报错信息如下：Traceback (most recent call last): File "E:/Program Files/PyCharm 2019.2/machinelearning/homework/CNN.py", line 151, in <module> train() File "E:/Program Files/PyCharm 2019.2/machinelearning/homework/CNN.py", line 140, in train fo

用pytorch导入MNIST数据集，然后手写BP神经网络实现对数据集的识别预测。

本文主要回忆上课所讲的一些关于机器学习与深度学习的基本概念，以此来达到强化记忆与深度理解的目的。

本文主要讲如果我们的Deep Learning出现了一些不好的结果，我们该怎么去解决。学习前请先参考：反向传播算法(Backpropagation)----Gradient Descent的推导过程。

BP算法是适用于多层神经网络的一种算法，它是建立在梯度下降法的基础上的，本文着重推导怎样利用梯度下降法来minimise Loss Function。