- 博客(15)
- 收藏
- 关注
RSS订阅原创 3.13--丢弃法
上一节对于少样本数据使用L2正则化即权重衰减可以防止过拟合，这一节通过对模型参数丢弃也可以防止过拟合。1.通过张量对应位置相乘丢弃部分参数2.没有丢弃的参数除以存在概率对该参数拉伸assert 0 <= drop_prob <= 1 # drop_prob丢弃率要介于0到1之间keep_prob = 1 - drop_prob # 除以1-p做拉伸# 这种情况下把全部元素都丢弃if keep_prob == 0: # 当丢弃率为1时# 定义了一个四层网络。
2024-07-20 11:30:40
220
原创 3.11--模型选择、欠拟合和过拟合
通过Linear文档可知，pytorch已经将参数初始化了，所以我们这里就不手动初始化了# tensorDataset()参数中张量的第一维相同这一节通过控制变量法，对一个相同数据在较复杂模型、简单模型、少量数据三种情况下训练模型，观察训练出的模型在训练集和测试集上的损失函数进行比较，发现只有模型具有一定复杂量、具有充足的数据集，才能训练出较好的模型。
2024-07-16 16:08:50
137
原创 3.9--多层感知机的从零开始实现
输入数据（256，784），W1=（784，256），b1=（1，256），W2=（256，10），b2=（1，10）在torch.max()函数中，input是输入张量，other参数是用来比较的，作用是张量中每个值变成该值和other的最大值。使用方法和之前类似。
2024-07-14 17:30:54
115
原创 3.7--softmax回归的简洁实现
import sys继承nn.Module的子类中必须要有__init__()和forward()这两种方法。其中__init__中定义可学习参数的层，forward()是实现模型的功能，是实现各个层之间联系的核心。链接# 经过forward()后生成(x.shape[0], num_outputs)的张量return y。
2024-07-12 17:57:20
385
原创 3.2--线性回归从零实现
例如：本文就介绍了用pytorch对线性回归的简单实现。def linreg(X, w, b): # torch.mm是矩阵相乘函数def squared_loss(y_hat, y): # y.view将y改成y_hat.size()大小的张量，不是复制param.data -= lr * param.grad / batch_size # 注意这里更改param时用的param.data。
2024-07-08 20:47:10
256
原创 阿里云服务器下部署开源项目halo博客
中的(ii创建 Halo + MySQL 的实例：)的内容粘到docker-compose.yaml文件中，然后用xftp把文件上传到云服务器中的halo目录中。：使用宝塔的反向代理绑定域名后，通过域名就能访问该网站了，如下图，代理名称随便起，目标URL格式为http://8.130.43.237:8090/。：注意要在服务器中开放8090端口，只有开放该端口浏览器才能与halo博客程序通讯，这个网上都能找到的。：用xshell连接云服务器，输入如下命令创建halo目录并且进入该目录。
2023-02-22 23:12:35
259
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人