echo245的博客

1.概念原理 处理带有序列信息的数据 RNNCell：线性层，循环执行 2. 3.

1.概念原理 1x1卷积核：改变通道数量；减少运算的数量 2.代码实现 3.结果展示

1.概念原理 利用卷积盒，对数据矩阵进行相乘相加 每个通道对应一个盒 2.代码实现 import torch from torchvision import transforms from torchvision import datasets from torch.utils.data import DataLoader import torch.nn.functional as F import torch.optim as optim # prepare dataset batch_size

1.概念 softMax：概率分布，将每个项的值/累加的值=每个结果出现的概率值 NLLLoss：就是把输出与Label对应的那个值拿出来，再去掉负号，再求均值 CrossEntropyLoss：就是把Softmax–Log–NLLLoss合并成一步 2.代码实现 import torch from torchvision import transforms from torchvision import datasets from torch.utils.data import DataLoader

1.原理 单个样本 :得到比较好的随机性，较好的跨越鞍点；训练时间长 batch：最大化提升向量计算优势，提高计算效率；性能较差 mini-batch：均衡结果性能和计算速度 2.新概念 DateSet：抽象类，无法实例化；可继承 DataLoader：加载数据 3.代码实现 import torch import numpy as np from torch.utils.data import Dataset from torch.utils.data import DataLoader

1.原理 对数据矩阵使用广播机制 降维操作 2.代码实现 import numpy as np import torch import matplotlib.pyplot as plt # prepare dataset xy = np.loadtxt('diabetes.csv', delimiter=',', dtype=np.float32) x_data = torch.from_numpy(xy[:, :-1]) y_data = torch.from_numpy(xy[:, [-1]])

1.原理 添加激活函数，避免线性回归的无效 2.代码实现 import torch # import torch.nn.functional as F # prepare dataset x_data = torch.Tensor([[1.0], [2.0], [3.0], [4.0]]) y_data = torch.Tensor([[0], [0], [1], [1]]) # design model using class class LogisticRegressionModel(tor

1.原理 使用PyTorch的内部函数实现线性回归，训练模型 2.代码展示 # author:ZhuYuYing # data:2021/7/6 # projectName:tor-start import torch x_data = torch.tensor([[1.0], [2.0], [3.0]]) y_data = torch.tensor([[2.0], [4.0], [6.0]]) ''' __init__() 初始化函数 torch.nn.Linear 第一个参数

1.数学含义 y = w * x 2.含义解释 使用pytorch的内置backward函数进行自动求导 3.代码演示 import torch x_data = [1.0,2.0,3.0] y_data = [2.0,4.0,6.0] w = torch.tensor([1.0]) # 版本选择 w.requires_grad = True #是否计算梯度 def forward(x): return x * w def loss(x,y):

1.数学含义 y = w * x cost = 1/n ∑（y_pred - y）^2 grad = 2 * x * (x * w - y) 2.含义解释 线性回归反向传播 对cost函数求w导得出w的变化率，更新w求得最佳 3.代码实现 import math # 数据 x_data = [1.0,2.0,3.0] y_data = [2.0,4.0,6.0] w = 1.999 #线性传播，计算y = w * x def forword(x): return x * w #

1、数学含义 y = w * x loss = （y_pred - y）^2 2.含义解释 通过简单的线性函数来对未知数x及y建立映射 在每次取不同的w时计算预测y_pred和真实值y的差值，以观看那个w最佳 3.代码实现 import numpy as np from matplotlib import pyplot as plt import math # 数据 x_data = [1.0,2.0,3.0] y_data = [2.0,4.0,6.0] #线性传播，计算y = w * x d