深度学习
文章平均质量分 52
青芒小智
这个作者很懒,什么都没留下…
展开
-
PyTorch深度学习实践——9.多分类问题
课程链接:《PyTorch深度学习实践》9.多分类问题课上示例示例程序源代码+注释(根据个人理解)import torchfrom torchvision import transforms # 图像处理工具from torchvision import datasetsfrom torch.utils.data import DataLoaderimport torch.nn.functional as F # 使用 ReLU 作为激活函数import torc原创 2021-08-08 17:08:15 · 553 阅读 · 0 评论 -
PyTorch深度学习实践——8.加载数据集
课程链接:《PyTorch深度学习实践》8.加载数据集新增内容(与上节课区别):第一步不是加载全部数据,而是改成构造 Dataset 和 DataLoader第四步由一次循环改为嵌套循环,以便使用 Mini_Batch课上示例示例程序源代码+注释(根据个人理解)import torchimport numpy as npfrom torch.utils.data import Dataset # Utils 工具下的数据工具,提供了两个类:Dataset 为抽象类,不能实例化,原创 2021-07-30 11:32:14 · 410 阅读 · 0 评论 -
PyTorch深度学习实践——7.处理多维特征的输入
课程链接:《PyTorch深度学习实践》7.处理多维特征的输入课上示例示例程序源代码+注释(根据个人理解)import torchimport numpy as npxy = np.loadtxt('diabetes.csv.gz', delimiter=',', dtype=np.float32) # 读取数据集文件。参数:文件名(.csv或.csv.gz),分隔符,数据类型x_data = torch.from_numpy(xy[:, :-1]) # 加载特征,Tens原创 2021-05-31 16:33:55 · 255 阅读 · 0 评论 -
PyTorch深度学习实践——6.逻辑斯蒂回归
课程链接:《PyTorch深度学习实践》6.逻辑斯蒂回归思路:1、准备数据2、模型构造3、损失和优化器4、循环训练5、投入模型数据,计算结果课上示例示例程序源代码+注释(根据个人理解)import torchimport torch.nn.functional as F # 函数包import numpy as npimport matplotlib.pyplot as pltx_data = torch.Tensor([[1.0], [2.0], [3.0]])原创 2021-05-24 19:56:31 · 169 阅读 · 1 评论 -
PyTorch深度学习实践——5.用PyTorch实现线性回归&补充练习&作业
课程链接:《PyTorch深度学习实践》4.用PyTorch实现线性回归思路:1、计算y_hat2、计算损失loss3、梯度清零,反向传播backward4、更新Update简化:前馈、反馈、更新课上示例示例程序源代码+注释(根据个人理解)import torch# 一、准备数据集x_data = torch.Tensor([[1.0], [2.0], [3.0]]) # 使用PyTorch中的Tensor类型构造数据集y_data = torch.Tensor([[原创 2021-05-20 16:50:54 · 664 阅读 · 3 评论 -
PyTorch深度学习实践——4.反向传播&作业
课程链接:《PyTorch深度学习实践》4.反向传播思路:1、先算损失loss2、算反向传播 backwardloss.backward(): dloss \ dw == w.grad (Tensor)3、更新权重ww.data = w.data - 0.01 * w.grad.data4、更新之后必须对权重w的梯度值(w.grad)清零,否则新的梯度值与之前的梯度值相加w.grad.data.zero_()课上示例示例程序源代码+注释(根据个人理解)import torchx_原创 2021-05-18 21:04:18 · 242 阅读 · 0 评论 -
PyTorch深度学习实践——3.梯度下降&随机梯度下降
课程链接:《PyTorch深度学习实践》3.梯度下降算法梯度下降 Gradient_Descent示例程序源代码+注释(根据个人理解)import matplotlib.pyplot as plt# 自定义数据集x_data = [1.0, 2.0, 3.0]y_data = [2.0, 4.0, 6.0]w = 1.0 # 猜测初始权重# 定义模型(前馈forward)def forward(x): return x * w # y_hat = x *原创 2021-05-13 21:24:45 · 179 阅读 · 0 评论 -
PyTorch深度学习实践——2.线性回归&作业
课程链接:《PyTorch深度学习实践》2.线性回归课上示例示例程序源代码+注释(根据个人理解)import numpy as npimport matplotlib.pyplot as plt# 自定义数据集x_data = [1.0, 2.0, 3.0] # 输入的xy_data = [2.0, 4.0, 6.0] # 输出的y# 定义模型(前馈forward)def forward(x): return x * w # y_hat = x * w#原创 2021-05-12 20:13:43 · 306 阅读 · 1 评论