- 博客(7)
- 收藏
- 关注
RSS订阅原创 PyTorch深度学习实践第五讲——Pytorch实现线性回归
步骤：1.Prepare dataset(准备数据集)2.DesignmodelusingClass（设计模型，inheritfromnn.Module,计算y_pred）3.Construct Loss and Optimizer(构建损失函数和优化器，usingPytorchAPI)4.Traingcycle（实现训练周期，即forward，backward，update）...
2021-01-10 21:29:21
279
原创 PyTorch深度学习实践第四讲——反向传播
反向传播任务：用拟合前面的三个数据点，反向传播就是链式求导，pytorch中已经实现了梯度的自动计算，张量（Tensor）由两部分内容构成（data和grad），其中grad就是梯度（也是一个Tensor），因此要更新w的值时，要使用w.grad.data,代码实现的就是构建神经网络动态图的过程，注意由于pytorch的动态计算图，当我们使用loss.backward()和opimizer.step()进行梯度下降更新参数的时候，梯度并不会自动清零，并且这两个操作是独立操作，所以需要将w进行手动清零w.
2021-01-09 21:59:52
420
1
原创 PyTorch深度学习实践第三讲——梯度下降
梯度下降任务：依然是用三个数据点，拟合一个线性模型，模型的参数的确定采用梯度下降法，本问题中，损失函数是MSE，梯度很容易求解,代码比较简单，需要注意的是梯度的计算需要初始w以及设置学习率alpha，深度学习中对于陷入局部最优点有一定的解决办法，但是要注意鞍点的处理(梯度取0的点)。def forward(x): return w*xdef cost(xs, ys): cost = 0 for x_val, y_val in zip(xs, ys): y_
2021-01-08 22:27:53
208
原创 PyTorch深度学习实践第二讲——线性模型
线性模型(Linear Model)任务说明：创建三个数据点，用线性模型对数据进行拟合，模型参数(w, b)的确定采用穷举法，计算损失函数mse，将每对(w，b)的mse显示出来，最后绘制(w,b,mse)三维曲线图，确定最优的线性模型。import numpy as npimport matplotlib.pyplot as pltfrom matplotlib import cmtrain_x = [1.0, 2.0, 3.0]train_y = [2.0, 4.0, 6.0]de
2021-01-07 23:11:16
335
转载 算法新解(一)
一.前言1.算法的威力 最小可用ID题目：在系统中找到最小可用ID分配给新用户. 暴力解法： 嵌套循环，外部循环为从0开始的整数，每次加一，内层循环遍历已有系统中的所有ID，直到找到系统中不存在的ID。function Min-Free(A) x <-- 0 loop if x ∉ A then return x els
2017-04-16 22:01:10
644
转载 Think Python 第四章：接口设计
本章以turtle模块说明接口设计问题。import turtlebob = turtle.Trutle()for i in range(4): bob.fd(100) bob.lt(90)以上代码实现了画出一个正方形封装将画正方形的代码放到一个函数定义中，然后调用该函数，如下所示：def square(t): for i in range(4): t.f
2016-08-22 14:50:05
471
转载 Think Python第一章：程序之道
程序是一系列说明如何执行计算(computation)的指令。计算可以是数学上的计算，也可以是符号计算(symbolic computation)，例如在文档中搜索并替换文本或者图片，就像处理图片或播放视频。不同的编程语言中，程序的构成是相近的，包括以下五个部分： 输入(input) 输出(output) 数学(math)：执行基本的数学运算 有条件执行(conditional execut
2016-08-21 20:57:55
241
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