- 博客(16)
- 收藏
- 关注
RSS订阅原创 windows+ubuntu双系统安装
打开磁盘管理器从现有的一个磁盘压缩，至少30G（30720M）的空间，我这里压缩了500G用于ubuntu系统。下载大白菜U盘装机工具，制作ubuntu启动盘，需要下载ubuntu镜像。在大白菜工具中，点击“初始化U盘”，再点击“一键制作成USB启动盘”，开始制作，如下图。把制作好的U盘工具插到需要安装双系统的电脑上，然后开机时按下电脑的U盘启动快捷键F12，选择U盘进入PE系统。在PE系统里面打开小白装机工具，然后选择需要安装的版本点击【安装】，在选择目标分区时，选择刚刚新建的分区。
2023-07-28 11:25:06
649
原创 【问题记录】Docker：the input device is not a TTY
Docker：the input device is not a TTY问题解决
2022-06-06 16:10:41
552
原创 Git Commit Message提交规范
Git Commit Message提交规范1. 简述2. 格式介绍3. 各部分部分介绍4. git commit message格式举例1. 简述关于 Git message 的写法规范社区中有很多种， 目前使用较为广泛的是 Angular 规范。在 Angular 规范中， 每次提交， Commit message 都包括三个部分： Header、Body 和 Footer，下面进行详细介绍。2. 格式介绍<type>(<scope>):<subject>
2022-05-06 15:33:51
1083
原创 pytorch--Softmax回归
回归与分类回归估计一个连续值分类预测一个离散类别Softmax回归Softmax回归是一个多类分类模型使用Softmax操作子得到每个类的预测置信度使用交叉熵来衡量预测和标号的区别损失函数均方损失绝对值损失函数Huber损失图像分类数据集MNIST数据集是图像分类中广泛使用的数据集之一，但作为基准数据集过于简单。我们将使用类似但更复杂的Fashion-MNIST数据集import torchimport torchvisionfrom torch.util
2021-07-01 17:53:52
101
原创 pytorch--线性回归实现
我们将从零实现整个方法，包括数据流水线、模型、损失函数和小批量随机梯度下降优化器导入包：import randomimport torch根据带有噪声的线性模型构造一个人造数据集，我们使用线性模型参数w=[2,-3.4]和b=4.2和噪声项c生成数据集及其标签：y=wx+b+c添加训练样本：def synthetic_data(w,b,num_examples): x = torch.normal(0,1,(num_examples,len(w))) y = torch.mu
2021-06-30 18:08:41
130
原创 pytorch--基础优化算法
梯度下降沿梯度方向将增加损失函数值学习率：步长的超参数超参数：需要人为指定的值学习率的选择：小批量随机梯度下降在整个训练集上算梯度太贵，一个深度神经网络模型可能需要数分钟至数小时我们可以随机采样b个样本来近似损失b是批量大小批量大小的选择：不能太小：每次计算量太小，不适合并行来最大利用计算资源不能太大：内存消耗增加，浪费计算总结梯度下降通过不断沿着反梯度方向更新参数求解小批量随机梯度下降是深度学习默认的求解算法两个重要的超参数是批量大小和学习率...
2021-06-29 15:56:29
68
原创 pytorch--线性回归
模型举例一个简化模型：房价预测假设一：影响房价的关键因素是卧室个数，卫生间个数和居住面积，记为x1，x2，x3假设二：成交价是关键因素的加权和y=w1x1+w2x2+w3x3+b，权重和偏差的实际值在后面决定线性模型线性模型可以看作是单层神经网络，即只有输入层和输出层衡量预测结果的质量1/2是为了将求导后的2消去训练数据收集一些数据点来决定参数值（权重和偏差），例如过去6个月卖的房子这被称之为训练数据通常越多越好假设我们有n个样本，记为：数据不够时，也有相关算法处理数据不够
2021-06-29 15:22:21
119
原创 pytorch--自动求导
对函数y=2xTx关于列向量x求导import torchx = torch.arange(4.0)xx.requires_grad_(True)x.grady = 2 * torch.dot(x,x)yy.backward()x.gradx.grad == 4*x在默认情况下，pytorch会累积梯度，需要清除之前的值
2021-06-29 15:00:50
612
原创 pytorch--数据预处理
数据预处理创建一个人工数据集，并存储在csv文件中import osos.makedirs(os.path.join('..','data'),exist_ok=True)data_file = os.path.join('..','data','house_tiny.csv')with open(data_file,'w') as f: f.write('NumRooms,Alley,Price\n') f.write('NA,Pave,127500\n') f.writ
2021-06-28 14:32:30
123
原创 pytorch--数据操作
N维数组N维数组0-D（标量）、1-D（向量–一个特征向量）、2-D（矩阵–特征矩阵）、3-D（RGB图片–宽高通道）、4-D（一个RGB图片批量–批量大小宽高通道）、5-D（一个视频批量–批量大小时间宽高*通道）创建数组需要：形状、每个元素的数据类型、每个元素的值元素访问访问具体下标：[1,2]一行：[1,:]一列：[:,1]子区域：[1:3,1:]子区域：[::3,::2]行–每三行一跳，列–每两列一跳张量表示一个数值组成的数组，这个数组可能有多个维度x = tor
2021-06-28 13:55:53
99
原创 线性回归实现
基础知识线性回归利用数理统计中的回归分析来确定两种或两张以上变量间相互依赖的定量关系，其表达形式为y=wx+b+e，误差e服从均值为0的正态分布。线性回归的损失函数是：使用随机梯度下降法更新参数w和b来最小化损失函数，最终学得w和b的值。包的导入import torch as tfrom matplotlib import pyplot as pltfrom IPython import display数据生成t.manual_seed(1000)def g
2021-06-25 15:06:18
99
原创 Tensor和Autograd
TensorPytorch的tensor支持GPU加速从接口的角度讲，对tensor的操作可分为两类，一类是torch.function，另一类是tensor.function从存储的角度讲，对tensor的操作可分为两类，一类是不会修改自身的数据，如a.add(b)，另一 类是会修改自身的数据，如a.add_(b)。函数名以_结尾都是inplace方式，即会修改调用者自己的数据创建Tensor的方法：导入包from __future__ import print_functioni
2021-06-25 13:26:38
101
原创 Cifar-10分类
步骤使用Torchvision加载并预处理CIFAR-10数据集定义网络定义损失函数和优化器训练网络并更新网络参数测试网络Cifar-10数据加载及预处理Cifar-10是一个常用的彩色图片数据集，它有10个类别的图片，分别是airplane、automobile、bird、cat、deer、dog、frog、horse、ship以及truck。每张图片是33232，即3通道彩色图片，分辨率为32*32。导入程序包：import torchvision as tvimport tor
2021-06-24 16:58:27
2167
2
原创 Pytorch基础知识
TensorTensor是Pytorch中重要的数据结构，它可以是一个数、一维数组、二维数组或更高维的数组。Tensor和Numpy的narrays类似，但是Tensor可以使用GPU加速。Tensor基本示例包的导入：import torch as t定义一个矩阵（不初始化）：#创建5*3的矩阵(未初始化)x = t.Tensor(5,3)x创建均匀分布初始化的数组：x = t.rand(5,3)x查看Tensor的形状：print(x.size())Te
2021-06-23 16:44:36
186
原创 001_21 个项目玩转深度学习_MNIST 学习入门
001_21 个项目玩转深度学习_MNIST 学习入门- 数据集数据集：MNIST数据集训练图像：60000张(其中55000张训练图片和5000张验证图片)测试图像：10000张- 数据集下载from tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("MNIST_data/",one_hot=True)运行结果：- 数据集信息MNIST的图片信息显示如下：
2021-06-22 16:15:43
97
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