![](https://img-blog.csdnimg.cn/20201014180756916.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习知识总结
L_Moonshine
努力成为一名码农
展开
-
Pytorch深度学习实践课程-Dataset and DataLoader
一、在Pytorch中如何构造数据集和Dataloader帮助加载数据的两个工具:Dataset、DataLoaderDataset:构造数据集,应当支持索引DataLoader:拿出Mini-Batch来供我们使用①Shuffle:打乱数据集顺序②Loader:将数据集进行分组迭代二、三个基本概念Epoch:所有样本都进行了一次训练。Batch-Size:每次训练所用的样本的数量(这就叫批量大小) 该训练包含了一次前馈、一次反馈、一次更新Iterations:Batch分成了多少份——内层原创 2021-11-28 11:13:59 · 263 阅读 · 0 评论 -
Pytorch深度学习实践课程-处理多维特征输入
导入前几节主要讨论的是一维特征的输入(即一个x:实数)单维:输入x是一个实数。多维:x有不同的特征,预测对应的分类。回归问题:输出值y 是一个实数。分类问题:输出y是属于一个离散的集合。数据集介绍如下图 是个糖尿病的数据集,一行是一个样本,共有八个特征,一列是一个特征(10维)。最终输出的值是一个y(取值只有0和1,代表分类任务)一维到多维:模型的改变一维:x是一个实数,所以乘以一个w权重即可。多维:因为最终的输出值y是一个实数,所以每一个Xi的值都要和一个权重w相乘。即下图的右。原创 2021-11-21 17:09:02 · 1419 阅读 · 0 评论 -
Pytorch深度学习实践课程-线性回归
线性回归的步骤①准备数据集②设计模型③构造损失函数和优化器④写训练周期(前馈、反馈、更新)线性回归实现以y=2x为例子实现,最终迭代的w =2,b =0为最终的迭代目标,选择学习率为0.01,初始化w为1运行在jupyter上import torchimport matplotlib.pyplot as pltx_data = torch.Tensor([[1.0],[2.0],[3.0]])y_data = torch.Tensor([[2.0],[4.0],[6.0]])c原创 2021-11-20 10:08:26 · 1203 阅读 · 0 评论 -
Pytorch深度学习实践课程-逻辑斯蒂回归
注意:代码运行在jupyter上import torchimport numpy as npimport matplotlib.pyplot as plt#准备数据集x_data=torch.Tensor([[1.0],[2.0],[3.0]])y_data=torch.Tensor([[0],[0],[1]])# 使用类设计模型class LogisticRegressionModel(torch.nn.Module): def __init__(self):原创 2021-11-19 18:32:23 · 428 阅读 · 0 评论 -
Pytorch深度学习实践-反向传播
反向传播原理学习内容来自刘二大人深度学习实践课程https://b23.tv/ELo6f7以及博客https://www.cnblogs.com/charlotte77/p/5629865.html下面是反向传播代码实现二次模型y=w1x²+w2x+bimport numpy as npimport matplotlib.pyplot as pltimport torchx_data = [1.0,2.0,3.0]y_data = [2.0,4.0,6.0]w1原创 2021-11-16 16:25:00 · 971 阅读 · 1 评论 -
PyTorch深度学习实践课程-梯度下降
进入anaconda命令控制台输入pip install matplotlib运行matplotlibimport matplotlibimport numpy as npimport matplotlib.pyplot as pltfrom mpl_toolkits.mplot3d import Axes3D# 数据集x_data = [1.0, 2.0, 3.0]y_data = [2.0, 4.0, 6.0]w = 1# 正向传播def forward(x): r原创 2021-11-09 19:09:21 · 734 阅读 · 0 评论 -
什么是梯度下降
何为梯度下降?小概念回归:通过已有的数据来预测新的数据。分类:希望有一条线将数据分割成不同的类别。无论是回归,还是分类,我们目的都是让搭建好的模型尽可能的模拟已有的数据。决定模型能否模拟成功的关键有两点,分别是参数和模型的结构。模型中的参数成千上万,需要机器自己去寻找,这个寻找合适参数的过程就称为学习或者训练。我们通常会使用一个工具来帮助调整模型参数,这个工具就是损失函数。那什么是损失函数?损失函数的定义:衡量模型模型预测的好坏。损失函数就是用来表现预测与实际数据的差距程度,即误差。原创 2021-10-26 16:09:56 · 2123 阅读 · 3 评论