![](https://img-blog.csdnimg.cn/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习数学基础
文章平均质量分 79
star_function
这个作者很懒,什么都没留下…
展开
-
使用 Visio 绘制卷积示意图
卷积操作是深度学习网络的基石,说到神经网络模型设计就免不了提起卷积。要想解释清楚卷积的原理,卷积操作的示意图就必不可少,那么如何能够快速绘制卷积示意图呢?1. 卷积示意图分析下图是百度飞桨讲解卷积定义的一个示例,输入图片、输出图片还有卷积核都用网格进行表示讲述卷积操作时,卷积核网格里填入了数字,用来表示卷积核权重。输入图片网格中也写上了数字,用来表示图片特征值。卷积的过程就是:将卷积核大小的窗口覆盖到特征图上,逐渐滑动的过程。为了突出这一过程,被覆盖区域都被涂上了颜色,如图 (a) 中的红色。原创 2022-03-25 09:11:32 · 17467 阅读 · 3 评论 -
pytorch 之 view、permute、matmul 用法
1. tensor.view 用法tensor.view 被用于改变张量的维度。对 4x4 的张量进行维度变换>>> x = torch.randn(4, 4)>>> x.size()torch.Size([4, 4])view 中指定张量维度将 4x4 的张量变成维度为 16 的张量>>> y = x.view(16)>>> y.size()torch.Size([16])view 中指定一个维度,原创 2022-03-16 23:39:20 · 627 阅读 · 0 评论 -
numpy.in1d、numpy.where的使用
几个 numpy 函数的使用1. numpy.in1d2. numpy.where2.1 np.where(condition)2.2 np.where(condition, x, y)参考文献1. numpy.in1d函数功能:检查第一个数组中的每个元素是否也存在于第二个数组中。函数原型:numpy.in1d(ar1, ar2, assume_unique=False, invert=False)函数返回值:返回与ar1长度相同的布尔数组,如果ar1的元素在ar2中,则返回True,否则返回Fal原创 2021-05-18 19:17:48 · 1731 阅读 · 0 评论 -
numpy 数组之索引
数组索引引言1. 单个元素索引2. 数组切片3. 索引数组4. 布尔索引数组5. 结构索引工具引言数组索引是指使用方括号([])来索引数组值。我们最为熟悉的索引方式就是单个元素索引。1. 单个元素索引注意:索引的起始位置为0当数组为一维数组时:>>> x = np.arange(10) # array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])>>> x[2]2>>> x[-2]8当数组为多维数组时:nump原创 2021-05-18 10:24:48 · 5986 阅读 · 1 评论 -
np.intersect1d , np.setdiff1d ,np.argwhere, np.argsort 的使用
几个常用的numpy函数引言1. np.intersect1d2. numpy.setdiff1d3. numpy.argwhere4. numpy.argsort引言本文将介绍几个python中常用的numpy函数:np.intersect1d ,np.setdiff1d, np.argwhere, np.argsort。首先给出numpy 的官网链接,方便大家查阅参考相关函数。https://numpy.org/doc/stable/reference/1. np.intersect1d函数功原创 2021-05-17 21:29:21 · 2421 阅读 · 0 评论 -
飞桨PaddlePaddle|李宏毅机器学习特训营之支持向量机(二)
SVM支持向量机(二)1. Linear SVM2. 对偶问题3. 核函数4. 深度学习和SVM参考文献在SVM支持向量机(一)中,我们介绍了SVM的损失函数 hinge loss。本文将介绍SVM的另一个亮点 kernel trick。在介绍 kernel trick 之前,我们先来介绍线性可分的SVM。1. Linear SVMLinear SVM 使用线性回归的假设函数作为假设函数 f(x)。使用 hinge loss 作为损失函数,此外还加入了正则项。hinge loss 和 正则项都是凸函数原创 2021-04-16 20:39:43 · 281 阅读 · 0 评论 -
飞桨PaddlePaddle|李宏毅机器学习特训营之支持向量机(一)
SVM支持向量机1. SVM基础欢迎使用Markdown编辑器1. SVM基础SVM(support vector machine)是一种二分类模型,它可以将样本空间中两个不同类别的样本区分开来。为了解决分类问题,我们希望设计分类模型。最基本的想法就是基于训练、集D 在样本空间中找到一个划分超平面、将不同类别的样本分开但能将训练样本分开的划分超平面可能有很多欢迎使用Markdown编辑器...原创 2021-04-16 16:11:26 · 2348 阅读 · 0 评论 -
深度学习神经网络的数学基础(二)
张量运算一、逐元素运算1.加法运算2.relu运算二、张量点积1.向量间的点积2.矩阵和向量间的点积3.矩阵间的点积三、张量变形四、广播1.加法运算2.maximum运算总结一、逐元素运算**逐元素运算独立地应用于张量的每个元素。**为了更好地理解逐元素运算,下面给出relu运算和加法运算的逐元素实现,使用for循环。1.加法运算def naive_add(x,y): assert len(x.shape) == 2 #x,y是Numpy的2D张量 assert x.sha原创 2021-03-22 19:57:35 · 782 阅读 · 0 评论 -
深度学习神经网络的数学基础(一)
数据表示:Python中的标量、向量和矩阵张量标量向量矩阵多维张量参考文献张量张量(tensor)是一个数据容器,在Python中可以用多维Numpy数组来表示。张量的维度(dimension)也被称为轴(axis)。矩阵就是二维张量,张量是矩阵向任意维度的推广。张量的形状(shape)是张量的重要属性,表示张量沿每个轴的维度大小(元素个数),用整数元组表示。标量标量(scalar)是仅含一个数字的张量,也被称为0-D张量。标量张量有0个轴,shape为空,即()。下面是一个Numpy标量。imp原创 2021-03-22 12:17:51 · 475 阅读 · 0 评论