W_Y_J_love的博客

安装pytorch遇到的问题已经按照教程安装好了cuda,pytorch.但是我导入torch时总报错啊，整了大半天了，提示Microsoft Visual C++ Redistributable is not installed, this may lead to the DLL load failure.但是我都安装了呀！解决方法：参考微博： https://blog.csdn.net/qq_29750461/article/details/108083764...

由于从官网下载pytorch会比较慢，所以冲国内的清华镜像中下在pytorch会快很多。步骤1.添加清华通道conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/conda config --set show_chann

本作业主要参考秋沐霖https://www.cnblogs.com/HL-space/p/10676637.html自己代码的做的更改1、考虑前5小时的PM2.5对第6小时的影响，有可能考虑太久以前的对当前的影响可能几乎为0.2、考虑比较近的前2小时影响比较大，用2次项3、随机抽样：样本打乱然后再取前90%样本数据作为训练集，取后10%样本数据作为验证集合。4、画出了loss和No.of parameters updates的图，用来查看loss随着更新的次数的变化情况。# 调整训练的数据集

softmax函数以及Python实现文章目录softmax函数以及Python实现softmax函数softmax函数的Python实现实现softmax函数时的注意事项softmax函数softmax函数一般用于分类问题的输出层。分类问题中使用的softmax函数的表现形式如下exp(x)是表示ex的指数函数，上面的式子表示假设输出层共有n个神经元，计算第k个神经元的输出y k。分子是输入信号ak的指数函数，分母是所有输入信号的指数函数的和。如果用图表示softmax函数的话，如下图。so

转载请说明出处。反向传播推导过程本推导过程利用如下图简单的三层神经网络。参考：https://www.cnblogs.com/codehome/p/9718611.html

sigmoid函数求导

目标定位文章目录目标定位定义简单的定位分类目标标签y损失函数这一周我们学习的主要内容是对象检测，它是计算机视觉领域中一个新兴的应用方向，相比前两年，它的性能越来越好。在构建对象检测之前，我们先了解一下对象定位，首先我们看看它的定义。定义图片分类任务我们已经熟悉了，就是算法遍历图片，判断其中的对象是不是汽车，这就是图片分类。这节课我们要学习构建神经网络的另一个问题，即定位分类问题。**这意味...

构建卷积层时，你要决定过滤器的大小究竟是1×1，3×3还是5×5，或者要不要添加池化层。而Inception网络的作用就是代替你来决定，虽然网络架构因此变得更加复杂，但网络表现却非常好，我们来了解一下其中的原理。例如，这是你28×28×192维度的输入层，Inception网络或Inception层的作用就是代替人工来确定卷积层中的过滤器类型，或者确定是否需要创建卷积层或池化层，我们演示一下。...

案例3——图像均值模糊另外一种比较常见的卷积核是用当前像素跟它邻域内的像素取平均，这样可以使图像上噪声比较大的点变得更平滑，如下代码所示：import matplotlib.pyplot as pltfrom PIL import Imageimport numpy as npimport paddleimport paddle.fluid as fluidfrom paddl...

案例2——图像中物体边缘检测上面展示的是一个人为构造出来的简单图片使用卷积检测明暗分界处的例子，对于真实的图片，也可以使用合适的卷积核对它进行操作，用来检测物体的外形轮廓，观察输出特征图跟原图之间的对应关系，如下代码所示：import matplotlib.pyplot as pltfrom PIL import Imageimport numpy as npimport paddle...

卷积算子应用举例下面介绍卷积算子在图片中应用的三个案例，并观察其计算结果。案例1——简单的黑白边界检测下面是使用Conv2D算子完成一个图像边界检测的任务。图像左边为光亮部分，右边为黑暗部分，需要检测出光亮跟黑暗的分界处。可以设置宽度方向的卷积核为[1,0,−1][1, 0, -1][1,0,−1]，此卷积核会将宽度方向间隔为1的两个像素点的数值相减。当卷积核在图片上滑动的时候，如果它所覆...

模型加载及恢复训练在快速入门中，我们已经介绍了将训练好的模型保存到磁盘文件的方法。应用程序可以随时加载模型，完成预测任务。但是在日常训练工作中我们会遇到一些突发情况，导致训练过程主动或被动的中断。如果训练一个模型需要花费几天的训练时间，中断后从初始状态重新训练是不可接受的。万幸的是，飞桨支持从上一次保存状态开始训练，只要我们随时保存训练过程中的模型状态，就不用从初始状态重新训练。下面介绍恢复...

文章目录概述前提条件设置学习率学习率的主流优化算作业 2-3概述上一节我们明确了分类任务的损失函数（优化目标）的相关概念和实现方法，本节我们依旧横向展开"横纵式"教学法，如 图1 所示，本节主要探讨在手写数字识别任务中，使得损失达到最小的参数取值的实现方法。图1：“横纵式”教学法 — 优化算法前提条件在优化算法之前，需要进行数据处理、设计神经网络结构，代码与上一节保持一致，如下所示。...

文章目录概述分类任务的损失函数Softmax函数交叉熵交叉熵的代码实现概述上一节我们尝试通过更复杂的模型（经典的全连接神经网络和卷积神经网络），提升手写数字识别模型训练的准确性。本节我们继续将“横纵式”教学法从横向展开，如 图1 所示，探讨损失函数的优化对模型训练效果的影响。图1：“横纵式”教学法 — 损失函数优化 损失函数是模型优化的目标，用于在众多的参数取值中，识别最理想的取值。损...

文章目录概述前提条件读入数据并划分数据集扩展阅读：为什么学术界的模型总在不断精进呢？训练样本乱序、生成批次数据校验数据有效性机器校验人工校验封装数据读取与处理函数异步数据读取概述上一节我们使用“横纵式”教学法中的纵向极简方案快速完成手写数字识别任务的建模，但模型测试效果并未达成预期。我们换个思路，从横向展开，如 图1 所示，逐个环节优化，以达到最优训练效果。本节主要介绍手写数字识别模型中，数据...

正则化线性回归、逻辑回归文章目录正则化线性回归、逻辑回归1、正则化线性回归2、正则化的逻辑回归模型1、正则化线性回归对于线性回归的求解，我们之前推导了两种学习算法：一种基于梯度下降，一种基于正规方程。正则化线性回归的代价函数为：如果我们要使用梯度下降法令这个代价函数最小化，因为我们未对theta0进行正则化，所以梯度下降算法将分两种情形：对上面的算法中j=1，2，…,n 时的更新式...

概述Numpy（Numerical Python的简称）是高性能科学计算和数据分析的基础包。使用飞桨构建神经网络模型时，通常会使用Numpy实现数据预处理和一些模型指标的计算，飞桨中的Tensor数据可以很方便的和ndarray数组进行相互转换。本节主要介绍Numpy如下功能：ndarray数组：一个具有矢量算术运算和复杂广播能力的快速且节省空间的多维数组。对整组数据进行快速运算的标准数...

多类别分类：一对多我们将谈到如何使用逻辑回归 (logistic regression)来解决多类别分类问题，具体来说，我想通过一个叫做"一对多" (one-vs-all) 的分类算法。举例第一个例子：假如说你现在需要一个学习算法能自动地将邮件归类到不同的文件夹里，或者说可以自动地加上标签，那么，你也许需要一些不同的文件夹，或者不同的标签来完成这件事，来区分开来自工作的邮件、来自朋友的邮件、...

逻辑回归代价函数的推导过程1、代价函数在篇文章中，我们要介绍如何拟合逻辑回归模型的参数。具体来说，我要定义用来拟合参数的优化目标或者叫代价函数，这便是监督学习问题中的逻辑回归模型的拟合问题。对于线性回归模型，我们定义的代价函数是所有模型误差的平方和。理论上来说，我们也可以对逻辑回归模型沿用这个定义，但是问题在于，当我们将带入到这样定义了的代价函数中时，我们得到的代价函数将是一个非凸...

逻辑回归简介逻辑回归主要处理的是机器学习中的分类问题。在分类问题中，你要预测的变量 是离散的值，我们将学习一种叫做逻辑回归 (Logistic Regression) 的算法，这是目前最流行使用最广泛的一种学习算法。在分类问题中，我们尝试预测的是结果是否属于某一个类（例如正确或错误）。分类问题的例子有：判断一封电子邮件是否是垃圾邮件；判断一次金融交易是否是欺诈；之前我们也谈到了肿瘤分类问题...

百度飞浆深度学习打卡营学习心得体会