weixin_43336108的博客

原创 深度学习算法informer（时序预测）（八）（超参定义）

【代码】深度学习算法informer（时序预测）（八）（超参定义）

原创 深度学习算法informer（时序预测）（七）（模型训练、验证、测试）

模型训练、验证、测试。

原创 深度学习算法informer（时序预测）（六）（数据处理、自注意力、自适应调节学习率、早停法）

在每个epoch结束时，根据当前的epoch和设定的调整策略，更新优化器的学习率。目的是在验证损失不再显著改善时提前停止训练，从而防止过拟合。它会在每个epoch结束后调用，检查当前的验证损失是否改善。，特征值只有温度，解码器的输入与编码器的输入不同，将。编码器的输入倒数12个时间点。编码器最后12个时间点。

原创 深度学习算法informer（时序预测）（五）（informer整体模型）

informer整体架构

原创 深度学习算法informer（时序预测）（四）（Decoder）

【代码】深度学习算法informer（时序预测）（四）（Decoder）

原创 深度学习算法informer（时序预测）（三）（Encoder）

informer的encoder

原创 深度学习算法informer（时序预测）（二）（ProbSparse讲解）

informer概率注意力机制

原创 深度学习算法informer（时序预测）（一）（数据编码讲解）

informer时序数据编码

原创 深度学习算法transformer（开源哈佛代码注释版）

transformer哈佛代码解析

原创 深度学习算法transformer中的核心multihead_attention代码

【代码】深度学习算法transformer中的核心multihead_attention代码。

原创 深度学习算法transformer（时序预测）模型优化（二）

【代码】深度学习算法transformer（时序预测）模型优化（二）

原创 深度学习算法transformer（时序预测）

【代码】深度学习算法transformer（时序预测）

原创 一文配置python、pytorch、cuda、cudnn环境

不同的cuda版本对应不同的pytorch，我这里安装的是cuda11.8。python和pytorch版本对应。

原创 深度学习算法LSTM

【代码】深度学习算法LSTM。

原创 ubuntu 搭建 gitlab最全教程

浏览器输入服务器 ip:端口号，进入登陆界面，输入用户名 root 以及刚才复制的密码，进入 gitlab，创建user。当前我的系统是ubuntu18，对应codename是bionic，因此下载对应gitlab，下载网址是。cd到你想安装的位置，mkdir 文件夹名字，sudo su切换成root身份。不同版本的ubuntu需要匹配不同版本的gitlab。七、获取 root 用户初始密码，复制密码。修改配置，初始化配置文件，重启gitlab。二、根据版本信息下载对应的gitlab。

原创 一文读懂python自带的时间处理和pandas的时间处理

python pandas

原创 numpy基础（三）（花哨索引、排序和其索引、第k最小值和其索引）

一、花哨索引二、排序和其索引三、第k最小值和其索引

原创 numpy基础（二）（常用函数、循环和向量化、布尔和掩码）

结论：循环所需时间大于向量化操作时间。

原创 numpy基础（一）（生成、拼接、切割数组）

原创 pandas基础（四）（分组groupby、透视表pivot_table）

应用包括agg、transform、filter、apply。原则：分组-应用-组合。

原创 pandas基础（三）（合并数据集concat、append、merge、join）

on：用于连接的列索引名称，必须同时存在于左、右两个DataFrame中，默认是以两个DataFrame列名的交集作为连接键，若要实现多键连接，‘on’参数后传入多键列表即可。suffixes：字符串值组成的元组，用于指定当左右DataFrame存在相同列名时在列名后面附加的后缀名称，默认为(’_x’, ‘_y’)right_index：使用右侧DataFrame中的行索引作为连接键。right_on：右侧DataFrame中用于连接键的列名。left_on：左侧DataFrame中用于连接键的列名。

原创 pandas基础（二）（筛选、删除、填充空值）

空值所在行列空值所在行

原创 pandas基础（一）（生成Series、DataFrame和Series、DataFrame数据选择）

一、生成Series、Series数据选择二、生成DataFrame、DataFrame数据选择

原创 机器学习算法（一）模型评估

划分训练集与测试集（训练集约占2/3~4/5） （1）保证训练集测试集类别比例相似；：（1）划分数据集为k个子集，每次训练k-1个子集，测试剩下的子集 （极端情况是留一法）（2）p次划分，重复实验取平均值。训练误差小，测试误差（泛化误差的近似，即在新样本上的误差）小。ROC面积是AUC，越接近于（0，1），模型越好。

原创 一文读懂统计功效，样本量计算

设从均值u，方差s的任意总体中抽取样本量为n的样本，当n非常大时，样本均值服从于均值u，方差s/n的正态分布。：1 - 纳伪错误，即原假设是错误的，拒绝错误假设的概率。

原创 一文读懂假设检验

2010年平均离婚率为30%，标准差为0.2，现从2012年夫妻中抽取100个样本，测得其平均离婚率为35%，假设平均离婚率服从正态分布，显著性水平为0.05，问这两年平均离婚率有无显著差异？3. 计算假设成立的前提下出现当前样本统计量的概率。计算假设成立的前提下出现当前样本统计量的概率。假设1：2012年平均离婚率!假设0：2012年平均离婚率 = 30%：原假设正确却拒绝的概率。：原假设错误却接受的概率。：显著性水平围成的区域。：犯弃真错误的概率。

原创 一文读懂条件概率、全概率公式、贝叶斯公式

事件A已经发生，造成事件A出现的某个原因的概率。每个原因B都会造成事件A的发生。

原创 一文读懂熵、交叉熵、交叉熵损失函数

估计的概率分布Q影响了期望和编码长度，所以得到的结果很可能错得离谱，我们需要对比我们的编码长度和理论上的最小编码长度(熵)。例如现在出去玩有四个游乐园（迪士尼、环球影城、长隆、方特）可供选择，每种选择的概率都是1/4，我们要用二进制编码这四种情况发送给朋友，和朋友商量去哪玩，那在不丢失信息的情况下最小编码长度是多少呢？在二分类中，交叉熵可以对比模型的预测结果和数据的真实标签，随着预测越来越准确，交叉熵的值越来越小，如果预测完全正确，交叉熵的值就为0。上节提到的是离散变量的熵的公式，连续变量的熵的公式如下。

原创 一文读懂似然、概率、极大似然法

比如现在创业了1000次，结果成功90次，失败910次，我们可依据这个结果来判断创业失败率91%，成功率9%，这个过程就是根据结果去判断环境参数。来预测某件事情发生的可能性，比如创业成功率10%，失败率90%（这是自定义的哈），在创业前我们并不知道会成功还是失败，只能说成功的可能性有10%。比如现在有一个参数未知的概率模型和该概率模型产生的一些点，那极大似然法就是在根据这些点去求解该概率模型的参数。，也就是结果没有产生之前，依据。假设概率模型参数未知，定义为。，该模型产生点的概率为。极大似然法就是在求解。

原创 深度学习算法CNN

nn.ReLU(),nn.ReLU(),nn.ReLU(),nn.ReLU(),nn.ReLU(),return x# 可以加入其他变换])# 验证集和测试集不需要数据增强])= 'test'))opt.step()preds = []

原创 深度学习算法多分类

多分类3. 定义有关Dataset, DataLoader的数据整理4. 定义config5. 定义训练6. 定义测试7. main函数以及运行结果

原创 工作沟通技巧

改进方案，下 月……1. 阶段性汇报，遇到何困难，做何努力，预计何时完成（小的内容可以在闲谈时说明，大的内容 可以具体发信息或开会描述）2. 遇到解决不了的问题，不要说干不了，带上解决方案请领导决策。领导，这段时间您安排的……地步，下一阶段我准备做……，您看还有什么补充的吗。领导，这些事情的进展是……凡事有交代，事事有回应。领导，您看这样可行吗。

原创 jupyter python 绘图中文设置

【代码】jupyter python 绘图中文设置。

原创 深度学习算法DNN

2. 定义DNN网络3. 定义有关Dataset, DataLoader的数据整理4. 定义config5. 定义训练6. 定义测试7. 定义画图8. main函数以及运行结果

原创 Python与Matlab/Simulink交互（三）

python与simulink交互完整版代码。

原创 Python与Matlab/Simulink交互（二）

设置触发逻辑，当满足条件（时间大于pause_time）时触发代码，代码表示simulink模型暂停，然后在m文件中修改仿真参数，继续控制simulink模型运行。

原创 Python与Matlab/Simulink交互（一）

python与simulink交互，最终也是和matlab交互，交互过程有两个关键点本节先讲第一个关键点。

原创 深度强化学习算法PPO训练Pendulum

returnadv = 0print('状态空间维度：', state_n)print('动作空间维度：', action_n)steps = []if done:breakif done:breakelse:steps = []if done:break。

原创 深度强化学习算法PPO训练CartPole

return# 蒙特卡洛求优势函数，方差大，时序差分求优势函数，偏差大，一般都采用GAE（蒙特卡洛和时序差分的结合）# 磨菇书采用的是蒙特卡洛if done:print('状态空间维度：', state_n)print('动作空间维度：', action_n)steps = []if done:breakif done:breakelse:steps = []if done:break。

原创 深度强化学习算法DQN训练CartPole

else:returnprint('状态空间维度：', state_n)print('动作空间维度：', action_n)steps = []if done:breaksteps = []if done:break。