深度学习
一蓑烟雨任平生w
此去经年,应是良辰美景虚设。
展开
-
python 混淆矩阵的画法
机器学习中分类任务混淆矩阵的画法原创 2022-09-29 14:43:48 · 693 阅读 · 1 评论 -
softmax回归
#softmax运算获取一个向量并将其映射为概率#softmax回归适用于分类问题,它使用了softmax运算中输出类别的概率分布#交叉熵是一个衡量两个概率分布之间差异的很好的度量,它测量给定模型编码数据所需的比特数import torchimport torchvisionfrom torch.utils import datafrom torchvision import transformsfrom d2l import torch as d2l# 通过ToTensor实例将图像数原创 2022-04-01 21:21:31 · 350 阅读 · 0 评论 -
Pytorch API实现线性回归
import torchimport numpy as npfrom 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)#读取数据集 data模块# def load_array(data_arrays,batch_size,is_t原创 2022-03-31 20:19:28 · 1482 阅读 · 0 评论 -
手动实现线性回归
import randomimport torchfrom d2l import torch as d2limport matplotlib.pyplot as pltdef synthetic_data(w,b,num_example): #生成带噪声的数据 x = torch.normal(0,1,(num_example,len(w))); y = torch.matmul(x,w) +b y = y + torch.normal(0,0.01,y.shape原创 2022-03-31 17:08:13 · 1138 阅读 · 0 评论 -
自动梯度计算
import torch#自动计算倒数,即自动微分 系统会自动构建计算图 随后反向传播填充每个参数的偏导数x = torch.arange(4.0,requires_grad=True)print(x,x.grad)y = 2 * torch.dot(x,x)print(y)y.backward();print(x.grad)x.grad.zero_();y = x.sum()y.backward()print(x.grad)#非标量变量的反向传播x.grad.zero_(原创 2022-03-29 16:42:32 · 161 阅读 · 0 评论 -
torch中的线性代数
import torch# A = torch.arange(20,dtype=torch.float32).reshape(5,4)# B = torch.clone(A)# print(A) #A*B属于点乘 每个元素都相乘#降维 SUM 如果不限制则会变成一个标量 可以按照某一维进行SUM# A_sum_axis0 = A.sum(axis=0); #axis = 0 进行降维 所以0维进行消失# print(A_sum_axis0) #tens原创 2022-03-28 20:02:44 · 228 阅读 · 0 评论 -
数据预处理 pandas
#使用pandas预处理原数据,并将原始数据转换成张量的格式#pandas软件包是Python中常用的数据分析工具中,pandas可以与张量兼容#用pandas处理缺失的数据时,我们可根据情况选择用插值法和删除法import osos.makedirs(os.path.join('..','data'),exist_ok = True)data_file = os.path.join('..','data','house_tiny.csv')with open(data_file,'w') a原创 2022-03-28 15:22:37 · 1082 阅读 · 0 评论 -
Pytorch数据操作
import torch# pytorch中的torch(张量)类似于numpy中的 ndarray# torch 支持GUP 支持微分 更适合深度学习# x = torch.arange(12);# print(x.shape) #torch的形状# print(x.numel()) #torch元素的数量## x = x.reshape(3,4); #将x从行向量转成矩阵# x = x.reshape(-1,4) #通过-1来调用此自动计算出维度的功能#1.pyto原创 2022-03-28 14:15:31 · 812 阅读 · 0 评论