![](https://img-blog.csdnimg.cn/6b11395c02484d1098006378a0b3384e.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
深度学习
文章平均质量分 81
读研期间的笔记和总结
龙崎流河
沉淀
展开
-
Window版本pytorch入门深度学习环境安装与配置
首先你的电脑上应该有anaconda,打开anaconda终端anaconda的好处就是能够配置多个虚拟环境,方便管理与使用环境与包显示所有的环境使用***的环境显示该环境下的包下载指定版本的包,例如3.4.2版本的matplotlib搜索该包的所有版本,例如搜索matplotlib的所有版本查看镜像通道有哪些版本的包查看镜像通道找特点版本的包conda环境复制,将pytorch环境复制到一个新创建的环境nbconda删除环境,例如删除nb环境发现没原创 2022-06-01 17:38:04 · 718 阅读 · 0 评论 -
keras中回调函数中的EarlyStopping, ModelCheckpoint, ReduceLROnPlateau,TensorBoard
EarlyStopping当被监测的数量不再提升,则停止训练。keras.callbacks.EarlyStopping(monitor='val_loss', min_delta=0, patience=0, verbose=0, mode='auto', baseline=None, restore_best_weights=False)monitor: 被监测的数据。min_delta: 在被监测的数据中被认为是提升的最小变化, 例如,小于 min_delta 的绝对变化会被认为没有提升。原创 2021-10-22 16:00:57 · 1059 阅读 · 0 评论 -
关于numpy的基本使用与练习题,相信会对你有所帮助
numpy数组的创建np.arange()函数用来迭代生成整形变量,类似range函数np.linspace(start,end,rownum)函数可以用来迭代生成浮点型变量,其中start和end是指开始和结束的数字,rownum是指从start到end的数据分为多少行np.empty()生成随机浮点数矩阵np.zeros()生成随机全零矩阵np.ones()生成全1矩阵np.pi生成圆周率np.exp(1)生成自然对数import numpy as np #利用np.array创建数组原创 2021-10-17 13:00:20 · 386 阅读 · 0 评论 -
深度学习4:机器学习基础
之前的三类机器学习问题分别是二分类问题,多分类问题,标量回归问题,这三者都是监督学习的例子,目标是学习训练输入与训练目标之间的关系。机器学习四个分支:监督学习,无监督学习,自监督学习,强化学习分类与回归术语表名称描述样本或输入进入模型的数据点预测或输出从模型出来的结果目标真实值,对于外部数据源,理想情况下,模型应该能够预测出目标预测误差或损失值模型预测与目标之间的距离类别分类问题中供选择的一组标签,例如猫狗分类的猫或狗标签分类问题中类别标注原创 2021-10-11 13:38:19 · 365 阅读 · 0 评论 -
深度学习3:回归问题
首先不要将回归问题和logistic回归算法混为一谈,logistic回归不是回归算法,而是分类算法。之前的分类问题的目标是预测输入数据点所对应的单一离散的标签,而这节要预测一个连续的而不是离散的标签,比如根据气象数据预测明天的气温等。波士顿房价预测数据集所包含的数据点相对较少,只有506个,分为404个训练样本和102个测试样本,输入数据的每个特征都有不同的取值范围,例如有些特性是比例取值是0-1,有的取值是1-12,还有的取值是0-100等等。实现过程加载数据集(train_data,tra原创 2021-10-10 16:14:47 · 2832 阅读 · 0 评论 -
深度学习2:多分类问题
与上一节类似的解释就不多重复了路透社数据包含许多短新闻以及其对应的主题,它是一个简单的,广泛使用的文本分类数据集,它包含46个不同的主题,某些主题的样本更多,但训练集中每个主题都有至少10个样本,也是keras内置的一部分。加载数据集(train_data, train_labels), (test_data, test_labels) = reuters.load_data(num_words=10000)、每个样本都是一个整数列表准备数据def vectorize_sequences原创 2021-10-10 00:42:04 · 311 阅读 · 0 评论 -
深度学习1:二分类问题
IMDB数据包含来自互联网电影数据库的50000条两极分化的评论,数据集被分为用于训练的25000条评论与用于测试的25000条评论,训练集和测试集都包含百分之五十的正面评论和百分之五十负面评论。该数据集也内置于Keras库,它已经过预处理:评论已经被转换为整数序列,其中每个整数代表字典中的某个单词。加载IMDB数据集from tensorflow.keras.datasets import imdb# 仅仅保留训练数据前10000个最常出现的单词,低频单词将被舍弃,加载数据,其中train_la原创 2021-10-09 23:58:55 · 3937 阅读 · 0 评论