AI
文章平均质量分 78
Clang's Blog
业精于勤,荒于嬉;行成于思,毁于随。
展开
-
理解矩阵内积与矩阵乘法的区别及其应用
计算方式逐元素乘积(内积):对应位置的元素相乘。矩阵乘法:行和列的点积,遵循线性代数规则。尺寸要求逐元素乘积(内积):两个矩阵必须具有相同的尺寸。矩阵乘法:第一个矩阵的列数必须等于第二个矩阵的行数。结果矩阵的尺寸逐元素乘积(内积):结果矩阵的尺寸与操作数矩阵相同。矩阵乘法:结果矩阵的尺寸为第一个矩阵的行数和第二个矩阵的列数。原创 2024-05-26 18:39:46 · 1744 阅读 · 0 评论 -
CentOS 7.9安装NVIDIA P40显卡驱动、CUDA和cuDNN
至此显卡驱动、CUDA和cuDNN就安装完成了,安装过程中主要是禁用开源显卡驱动和操作系统内核版本的匹配安装。原创 2024-05-25 17:52:48 · 1634 阅读 · 2 评论 -
机器学习数据预处理详解:标准化、填充缺失值及编码离散特征
本文将通过具体示例,详细解释数据预处理的关键步骤,包括标准化数值特征、填充缺失值以及编码离散特征。通过这些步骤,我们成功地对训练和测试数据集的特征进行了标准化、缺失值处理和独热编码,使其准备好用于后续的模型训练和预测。将离散特征(分类特征)进行独热编码(one-hot encoding),包括缺失值(dummy_na=True)。确定数值型特征的列,然后对这些特征进行标准化处理,使每个数值特征的均值为0,标准差为1。首先,将训练和测试数据集的特征(不包括标签列。将数值型特征中的缺失值(NaN)填充为0。原创 2024-05-25 08:05:54 · 799 阅读 · 0 评论 -
使用 PyTorch 和 Pandas 进行 Kaggle 房价预测
通过上述步骤,我们成功地使用 PyTorch 和 Pandas 实现了一个简单的线性回归模型,用于 Kaggle 房价预测任务。这篇博文涵盖了数据下载、预处理、模型构建、训练、验证及预测的全过程,为类似任务提供了一个完整的参考。在本篇博文中,我们将探索如何使用 PyTorch 和 Pandas 库,构建一个用于 Kaggle 房价预测的模型。然后,我们合并所有特征以进行统一预处理,并标准化数值特征,填充缺失值为0,处理离散数值特征。我们定义了最终的训练和预测函数,并训练模型生成预测结果。原创 2024-05-25 08:02:15 · 607 阅读 · 0 评论 -
使用 Docker 在 PyTorch 环境中训练模型
通过使用 Docker,我们可以轻松地构建和管理 PyTorch 环境,并在其中运行训练任务。这种方法可以帮助我们避免了环境配置的烦恼,提高了工作效率,同时也使得我们的代码更具可移植性和可重复性。原创 2024-04-29 17:30:19 · 1095 阅读 · 0 评论 -
解决在Linux上运行Python脚本出现ImportError: `CXXABI_1.3.9‘未找到的问题
通过按照这些步骤操作,您可以有效解决与在Linux系统上使用Anaconda环境中的Pandas或其他Python包相关的CXXABI版本不匹配而引起的ImportError。这个错误通常是由于所需的CXXABI版本与系统库中提供的版本不一致引起的。在这里,我们将深入探讨一种逐步解决此问题的方法。错误消息表明需要CXXABI版本1.3.9,但系统库提供的版本只到1.3.7。替换为您实际的Anaconda安装的库目录路径。替换为您实际的Anaconda安装的库目录路径。**注意:**记住将。原创 2024-04-26 09:57:46 · 673 阅读 · 0 评论 -
理解和构建用于MNIST分类的卷积神经网络
现在是核心部分 - 定义我们的CNN架构。我们将为数字分类创建一个简单而有效的网络。原创 2024-04-22 22:58:52 · 495 阅读 · 0 评论 -
Linux平台利用Ollama和Open WebUI部署大模型
在当今的人工智能领域,部署大型深度学习模型是一个挑战,尤其是对于那些不熟悉复杂技术栈的用户而言。然而,随着开源技术的不断发展,出现了一些强大的工具,如 Ollama 和 Open-webui,使得部署大型模型变得更加简单和高效。Ollama 是一个功能强大的开源平台,专门用于部署深度学习模型。与此同时,Open WebUI 是一个开源的 Web 用户界面工具,为用户提供了友好的界面来与 Ollama 平台进行交互。原创 2024-03-23 12:23:38 · 5516 阅读 · 2 评论