qq_52110584的博客

然后，在训练过程中，生成器产生一个“假”数据，判别器评估这个“假”数据和真实数据的相似度，并根据评估结果更新判别器和生成器的权重。生成器的目标是生成类似于训练数据的“假”数据，而判别器的目标是识别“真实”数据和生成器生成的“假”数据。两个网络通过博弈的方式相互对抗学习，最终生成器可以生成与训练数据相似的新数据。2.在每一步迭代中，生成器生成一个“假”数据，判别器评估这个“假”数据和真实数据的相似度；4.生成器再次生成一个“假”数据，判别器再次评估这个“假”数据和真实数据的相似度；

2.定义一个自编码器模型，包括一个编码器和一个解码器，使用Tanh和Sigmoid函数作为激活函数，将输入图像压缩为3维的特征向量，再重构为原始图像；4.在训练过程中，每训练100个批次就将一部分测试数据集的图像作为例子，使用自编码器模型进行重构，并将重构后的图像进行可视化展示；代码实现了一个自编码器模型对MNIST手写数字数据集进行降维和重构，同时进行了可视化展示。5.训练完成后，使用自编码器模型对数据集进行特征提取，并通过三维图像展示压缩后的特征向量。

【代码】【pytorch 模型的保存和提取】

这是一个使用PyTorch实现的卷积神经网络（CNN），用于对MNIST数据集中的手写数字进行分类。该网络由两个卷积层组成，其中间有ReLU激活函数和最大池化层。第一个卷积层有16个过滤器，过滤器大小为5x5，填充为2，以保持输出大小与输入相同。第二个卷积层有32个过滤器，与第一个卷积层具有相同的过滤器大小和填充。在第二个卷积层之后，输出被展平，并通过具有10个输出神经元的全连接层传递，对应于10个可能的数字。从全连接层的输出经过softmax激活函数，以获得最终分类概率。

forward 方法：这是网络的前向传播函数，它接收输入 x，并通过神经网络的各层计算输出。在这个代码中，x, y = Variable(x), Variable(y) 这行代码的作用是将原始的 x 和 y 张量封装到 PyTorch 的 Variable 对象中。在上面的示例中，我们使用了一个具有10个隐藏层神经元的网络，用于解决三分类问题。self.predict 是输出层，输入特征数为 n_hidden（即隐藏层的神经元数量），输出神经元数为 n_output（即类别数量）。

def()‘’’通常神经层都包括输入层、隐藏层和输出层。这里的输入层只有一个属性， 所以我们就只有一个输入；隐藏层我们可以自己假设，这里我们假设隐藏层有10个神经元；输出层和输入层的结构是一样的，所以我们的输出层也是只有一层。所以，我们构建的是——输入层1个、隐藏层10个、输出层1个的神经网络。‘’’net = Net(1, 10, 1) # 隐藏神经元10个print(net)plt.ion() # plt.ion()用于连续显示plt.show()

pytorch安装完成

4.15和4.16学习内容程序在内存中的存储是什么样的？都是以二进制的形式存储的，只有0和1从整体上认识二进制了解PE结构：只适用于windows。任何一个windows上运行的可执行文件都要遵守一定的格式，这个格式就是PE文件结构。要想分析一个程序，就要知道程序从哪里开始的？代码存在哪里？数据存在哪里?安装了虚拟机...