Pin_BOY的博客

《PyTorch深度学习实践》学习笔记 【4】 学习资源： 《PyTorch深度学习实践》完结合集 六、Logistics Regression（逻辑斯蒂回归模型） 虽然它叫做回归模型，但是处理的是分类问题 6.0 回归问题和分类问题 有监督学习： 回归问题 分类问题 二分类 多分类 回归问题：如果我们预测的结果是以连续数字进行表示，即我们将在连续函数中对多个输入变量建立映射关系时，则这样的问题称之为回归问题。 分类问题：如果我们预测的结果是以离散形式表示的，即我们将多个输入变量与多个不同

《PyTorch深度学习实践》学习笔记 【5】CNN_1 十、CNN 1 10.1 卷积神经网络的基本结构 卷积神经网络=特征提取+分类 10.1.1 特征提取 特征提取器，通过卷积运算，找到某种特征。由卷积层convolution和下采样Subsampling 构成。 一个图像，丢到一个卷积层里面仍然是一个3维的张量； 下采样，通道数不变，但是图片的宽度和高度变小（减少维数数量，减少计算量） 10.1.2 分类器 将特征向量化后，用全连接网络进行来分类。 10.2 Convolution （卷积层） 1

《PyTorch深度学习实践》学习笔记 【2】 学习资源： 《PyTorch深度学习实践》完结合集 二、线性模型 2.1 概念： 2.1.1 数据集和测试集 ​ 数据集拿到后一般划分为两部分，训练集和测试集，然后使用训练集的数据来训练模型，用测试集上的误差作为最终模型在应对现实场景中的泛化误差。 ​ 一般来说，测试集在训练的时候是不能偷看的。 我们可以使用训练集的数据来训练模型，然后用测试集上的误差作为最终模型在应对现实场景中的泛化误差。有了测试集，我们想要验证模型的最终效果，只需将训练好的模型在测

《PyTorch深度学习实践》学习笔记 【3】 学习资源： 《PyTorch深度学习实践》完结合集 三、梯度下降 类似牛顿迭代法/ 二分法，对cost func 求导 , 利用偏导进行迭代，使得cost func 达到最小值。 具体的求导过程 关键迭代式： 课上实例代码【2】 x_data = [1.0, 2.0, 3.0] y_data = [2.0, 4.0, 6.0] w = 1.0 #线性函数 def forward(x): return x * w #MSE def cost(x

《PyTorch深度学习实践》学习笔记 【1】 学习资源： 《PyTorch深度学习实践》完结合集 一. 绪论 1. 人工智能的发展历程 Rule—Based： 基于规则（如经典的积分计算） Classic machine learning : 手动提取特征，使用特征 representation learning ： 自动提取特征 维度的诅咒： (参数空间搜索组合爆炸) 解决方法：使用更少的更有代表性的参数。 DeepLearning： 将特征提取和特征函数训练两个过程结合起来，也称之为E