![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
d2l课程学习
selfDisciplineSun
自律更自由
展开
-
new 动手学深度学习V2环境安装
动手学深度学习V2环境安装虚拟环境 d2l-zh安装conda create -n d2l-zh -y python=3.8 pippip install jupyter d2l torch torchvision -i https://mirrors.aliyun.com/pypi/simple/git clone https://github.com/d2l-ai/d2l-zh-pytorch-slides.git 下载课程幻灯片wget https://zh-原创 2021-05-30 19:09:08 · 667 阅读 · 1 评论 -
softmax回归的简洁实现-09-p5
softmax回归的简洁实现通过深度学习框架的高级API能够使实现softmax回归变得更加容易import torchfrom torch import nnfrom d2l import torch as d2lbatch_size = 256train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)Softmax 回归的输出层是一个全连接层net = nn.Sequential(nn.Flatten(), nn原创 2021-05-30 19:00:06 · 180 阅读 · 0 评论 -
softmax回归的从零开始实现-09-p4
softmax回归的从零开始实现就像我们从零开始实现线性回归一样,你应该知道实现softmax的细节import torchfrom IPython import displayfrom d2l import torch as d2lbatch_size = 256train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)将展平每个图像,把它们看作长度为784的向量。因为我们的数据集有10个类别,所以网络输出维度为 1原创 2021-05-30 18:57:01 · 268 阅读 · 0 评论 -
图像分类数据集-09-p3
图像分类数据集MNIST数据集是图像分类中广泛使用的数据集之一,但作为基准数据集过于简单。我们将使用类似但更复杂的Fashion-MNIST数据集%matplotlib inlineimport torchimport torchvisionfrom torch.utils import datafrom torchvision import transformsfrom d2l import torch as d2ld2l.use_svg_display()通过框架中的内置函数将 F原创 2021-05-30 18:40:45 · 299 阅读 · 0 评论 -
线性回归的简洁实现(pytorch框架)
线性回归的简洁实现通过使用深度学习框架来简洁地实现线性回归模型生成数据集import numpy as npimport torchfrom torch.utils import datafrom d2l import torch as d2ltrue_w = torch.tensor([2, -3.4])true_b = 4.2features, labels = d2l.synthetic_data(true_w, true_b, 1000)调用框架中现有的API来读取数据d原创 2021-05-30 16:34:12 · 174 阅读 · 0 评论 -
线性回归的从零开始实现-08-p3
线性回归的从零开始实现我们将从零开始实现整个方法,包括数据流水线、模型、损失函数和小批量随机梯度下降优化器%matplotlib inlineimport randomimport torchfrom d2l import torch as d2l数据集产生根据带有噪声的线性模型构造一个人造数据集。我们使用线性模型参数w=[2,−3.4]⊤\mathbf{w} = [2, -3.4]^\topw=[2,−3.4]⊤、b=4.2b = 4.2b=4.2和噪声项ϵ\epsilonϵ生成数据集及原创 2021-05-30 13:18:59 · 121 阅读 · 0 评论 -
d2l理论知识
特征向量特征值原创 2021-05-30 13:14:28 · 2349 阅读 · 0 评论 -
pytorch自动求导-07
自动求导假设我们想对函数 y=2x⊤xy = 2\mathbf{x}^{\top}\mathbf{x}y=2x⊤x关于列向量 x\mathbf{x}x求导import torchx = torch.arange(4.0)xtensor([0., 1., 2., 3.])在我们计算yyy关于x\mathbf{x}x的梯度之前,我们需要一个地方来存储梯度x.requires_grad_(True)x.grad现在让我们计算 yyyy = 2 * torch.dot(x, x)y原创 2021-05-30 09:09:31 · 121 阅读 · 0 评论 -
多维数据按轴计算-05-p3
import torcha =torch.ones((2,5,4))a.shapetorch.Size([2, 5, 4])a.sum(axis=0)tensor([[2., 2., 2., 2.], [2., 2., 2., 2.], [2., 2., 2., 2.], [2., 2., 2., 2.], [2., 2., 2., 2.]])a.sum(axis=1)tensor([[5., 5., 5., 5.],原创 2021-05-29 16:30:46 · 78 阅读 · 0 评论 -
数据预处理-pandas-04-p4
数据预处理创建一个人工数据集,并存储在csv(逗号分隔值)文件import osos.makedirs(os.path.join('..', 'data'), exist_ok=True)data_file = os.path.join('..', 'data', 'house_tiny.csv')with open(data_file, 'w') as f: f.write('NumRooms,Alley,Price\n') f.write('NA,Pave,127500\n'原创 2021-05-29 15:31:20 · 270 阅读 · 0 评论 -
n维数组的操作-04-p2
数据操作首先,我们导入 torch。请注意,虽然它被称为PyTorch,但我们应该导入 torch 而不是 pytorchimport torch张量表示一个数值组成的数组,这个数组可能有多个维度x = torch.arange(12)xtensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])我们可以通过张量的 shape 属性来访问张量的 形状和张量中元素的总数x.shapetorch.Size([12])x.nume原创 2021-05-29 15:18:10 · 227 阅读 · 0 评论