weixin_43188487的博客

链接: https://blog.csdn.net/wujizhishang/article/details/95099633.链接: https://zhuanlan.zhihu.com/p/197666363?utm_source=wechat_sesssion.链接: https://www.pianshen.com/article/34671887462/.链接: link.

交叉熵1. 引入2. 信息熵3. 交叉信息熵1. 引入2. 信息熵3. 交叉信息熵

2D函数优化实例1. 原函数2. 求最小值3. 代码1. 原函数2. 求最小值3. 代码

反向传播算法1. 链式法则2. 所输出感知机3. 多层感知机1. 链式法则2. 所输出感知机3. 多层感知机

感知机的梯度推导1.1.

激活函数、损失函数及其梯度1. 激活函数2. 损失函数loss1. 激活函数【1】激活函数简介【2】sigmoid函数【3】tanh函数【3】RELU函数2. 损失函数lossautograd.gradloss.backwardF.softmax

统计属性1. 范数2. p范数3. 常用统计属性4. 高级操作4.1 where4.2 gather1. 范数2. p范数3. 常用统计属性【1】mean、sum、min、max、prod；argmin、argmax(1) prod() 表示连乘(2) argmax()、argmin() 不指定维度，会将张量(tensor)打平乘一个一维的tensor，返回索引； 指定维度后，根据维度返回每一行或每一列中max或min元素的索引。【2】dim、keepdimkeepdim参数

基本数学运算1. 加减乘除2. 矩阵乘法3. 开方4. 近似运算1. 加减乘除a = torch.tensor([[1,2,3],[4,5,6],[7,8,9]])print(a)b = torch.tensor([[10,20,30],[40,50,60],[70,80,90]])# 加法print(a+b)print(torch.add(a,b))# 减法print(torch.all(torch.eq(a-b,torch.sub(a,b))))# 乘法print(torch.

拼接与拆分1. 拼接1.1 cat()1.2 stack()1.3 cat() VS stack()2. 拆分2.1 split()2.2 chunk()1. 拼接1.1 cat()torch.cat([tensor1，tensor2]，dim)[tensor1，tensor2]表示需要拼接的张量；dim 表示在哪个维度上拼接注意：拼接时，除了要拼接的维度外，其他维度的形状必须相同。示意图：根据不同的维度拼接1.2 stack()stack在拼接张量时，会创建新的维度。

broadcase自动扩展1. 作用2. 关键点3. 需求4. 应用5. 举例1. 作用broadcast的作用是扩展维度，并且不复制数据，不小号内存。2. 关键点演示：3. 需求4. 应用5. 举例

维度变换1. 改变形状view & reshape2. 增删维度squeeze & unsqueeze2.1 增加维度unsqueeze()2.2 删减维度squeeze()3. 维度形状扩展expand & repeat3.1 expand()3.2 repeat()4. 二位矩阵(张量)转置操作.t()5. 维度交换(两两交换)transpose()6. 维度交换(任意交换)permute()1. 改变形状view & reshape（1）.reshape(dim

索引与切片1. 索引2. 切片2.1 根据首项/尾项切片2.2 根据步长切片2.3 根据特定索引切片2.4 根据掩码切片2.5 根据索引返回指定索引上的数据集合3. torch.ge()、torch.gt()、torch.le()、torch.lt()3.1 torch.ge()3.2 torch.gt()3.3 torch.le()3.4 torch.lt()1. 索引import torcha = torch.rand(4,3,28,28) # 建立维度为4的张量print(a[0].shap

pytorch基本数据类型1.1.

手写数字识别1. 环境配置2 .代码3. 测试结果1. 环境配置本次测试使用的显卡为30系列的显卡，对应的pytorch版本： 1.8.0+cu111，cuda版本： 11.1。注意：不同系列的显卡匹配的cuda版本也不一样，匹配不合适时无法调用GPU，或可以调用GPU但计算速度巨慢。2 .代码utils.py #该文件主要将绘图函数集中起来import torchfrom matplotlib import pyplot as pltdef plot_curve(data):

梯度1. 引入2. 实例代码1. 引入已知函数表达式为：y = w * x + b如果求未知数w和b，可以给定两个点，联立方程求解，如下图所示：现在给满足此等式的点加入噪声，通过这一系列的点求出w和b的近似值，评价近似值是否最优的的指标为损失函数，如下图所示：如何最优化？2. 实例代码求解过程：给定初始的w和b的值，利用给定的100个观测值按梯度步长逐渐让w和b逼近到其各自的真实值。参数 = 参数 - 学习率 * 梯度import numpy as np# y = wx

pytorch离线安装1.创建虚拟环境2. 进入虚拟环境3. 在虚拟环境下安装下载好的.whl文件4. 测试1.创建虚拟环境Windows下先进入命令行：win + R cmd创建虚拟环境命令：conda create -n torch11gpu python=3.72. 进入虚拟环境进入虚拟环境，在虚拟环境中安装pytorchconda activate torch11gpu3. 在虚拟环境下安装下载好的.whl文件导入离线文件的时候，要先进入到离线文件所在的目录，然后

随机森林1. 概述1. 概述

决策树1. 概述1.1 决策树是如何工作的1.2 sklearn中的决策树2. DecisionTreeClassifier与红酒数据集2.1 重要参数2.1.1 criterion2.1.2 random_state & splitter2.1.3 剪枝参数1. 概述1.1 决策树是如何工作的决策树（Decision Tree）是一种非参数的有监督学习方法，它能够从一系列有特征和标签的数据中总结出决策规则，并用树状图的结构来呈现这些规则，以解决分类和回归问题。决策树算法容易理解，适用各种数

MySQL1. 事务（Transaction）1.1 事务的概念1.2 和事务相关的语句DML语句(insert delete update)1.3 事务机制的必要性1.4 事务的特性1.5 事务之间的隔离性1.6 演示事务1.7 使用两个事务演示隔离级别2. 索引2.1 索引的概念2.2 怎么创建索引对象？怎么删除索引对象？2.3 什么时候考虑给字段添加索引？2.4 自动添加索引的情况2.5 查看sql语句的执行计划2.6 索引底层采用的数据结构是：B + Tree2.7 索引的实现原理2.8 索引的分类

MySQL1. 存储引擎1.1 完整的建表语句1.2 什么是存储引擎1.3 查看当前mysql支持的存储引擎1.4 常见的存储引擎1.4.1 MyISAM存储引擎1.4.2 InnoDB存储引擎1.4.3 MEMORY存储引擎1. 存储引擎1.1 完整的建表语句 CREATE TABLE `t_x` ( `id` int(11) DEFAULT NULL ) ENGINE=InnoDB DEFAULT CHARSET=utf8; （1）注意：在MySQL当中，凡是标识符是可以使用飘