ooblack的博客

卷积神经网络中nn.Conv2d()和nn.MaxPool2d()卷积神经网络之Pythorch实现：nn.Conv2d()就是PyTorch中的卷积模块参数列表参数作用in_channels输入数据体的深度out_channels输出数 据体的深度kernel_size滤波器（卷积核）的大小 注1stride滑动的步长padding零填充的圈数 注2bias是否启用偏置，默认是True，代表启用groups输出数据体深度上和输入

简单分析一下主流的几种神经网络LeNetLetNet作为卷积神经网络中的HelloWorld,它的结构及其的简单，1998年由LeCun提出基本过程:可以看到LeNet-5跟现有的conv->pool->ReLU的套路不同，它使用的方式是conv1->pool->conv2->pool2再接全连接层，但是不变的是，卷积层后紧接池化层的模式依旧不变。代码：import torch.nn as nnimport torchclass LeNet(nn.M

nn.Conv2d()中dilation参数的作用下面这张图很好的描述了这个参数的作用好处：这样每次进行单次计算时覆盖的面积（感受域）增大，最开始时3*3 = 9 然后是5*5 = 25最后是7*7=49，增加了感受域却并未增加计算量，保留了更多的细节信息，对图像还原有明显的提升。...

全连接神经网络前馈神经网络包含的层：线性层和卷积层：这两种层对输入进行线性计算。层内维护着线性运算的权重激活层：这层对数据进行非线性运算。非线性运算时可以逐元素非线性运算的，也可以是其它类习惯的非线性运算归一化层：根据输入的均值和方差对数据进行归一化，使得数据的范围在一个相对固定的范围内池化层和视觉层：这两种层和数据重采样有关，包括对数据进行下采样（就是隔几个数据采一个数据）、上采样（把一个数据复制出很多份）和重新排序。丢弃层：在输入中随机选择一些输出补齐层：采用循环补齐等方法让数据变多

线性回归最小二乘法使用torch.lstsq()求解线性回归问题两个重要推论与权值点乘X[i,:]⋅W=x[i,0]w[0]+x[i,1]w[1]+……+x[i,m−1]w[m−1]+x[i,m]w[m] X[i, :]·W = x[i, 0]w[0] + x[i, 1]w[1] + …… + x[i, m-1]w[m-1] + x[i, m]w[m] X[i,:]⋅W=x[i,0]w[0]+x[i,1]w[1]+……+x[i,m−1]w[m−1]+x[i,m]w[m]二范数的计算方法∣∣Y

K-Means聚类算法代码：import pandas as pdimport random as rdimport matplotlib.pyplot as pltfrom matplotlib.pylab import styleiris_data = pd.read_csv("iris.csv", header=None, usecols=[0, 2, 4])iris_data[5] = -1# 设置初始距离iris_data[6] = 10000data = iris_dat

KNN算法的实现第一次写机器学习算法，写的是KNN预测iris数据集、不会矩阵运算，实现起来很呆，但是总归还是实现了import pandas as pdfrom math import distk = int(input("请输入k值（不能输入三的倍数！）："))dataTest = pd.read_csv('iristest.csv', header=None).valuestrainData = pd.read_csv('iristrain.csv', header=None).valu