![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 51
ihan1001
实践过,才展示
展开
-
【python报错】UserWarning: train_labels has been renamed targets
这是一条 Python 警告信息,它表示 train_labels 这个变量已经被重命名为 targets,在将来的版本中可能会移除 train_labels。#labels = dataset.train_labels.numpy()#获取数据集中训练样本的标签信息,并将其转换为 NumPy 数组。labels = dataset.targets.numpy() # 获取数据集中训练样本的标签信息,并将其转换为 NumPy 数组。pytorch中已经将train_labels改成了targets。原创 2024-01-01 10:57:06 · 807 阅读 · 0 评论 -
resnet18
ResNet18的基本含义是,网络的基本架构是ResNet,网络的深度是18层。但是这里的网络深度指的是网络的权重层,也就是包括池化,激活,线性层。而不包括批量化归一层,池化层。将尺寸为32x32的图像填充为40x40,然后随机裁剪成32x32。原创 2023-12-29 22:43:26 · 501 阅读 · 0 评论 -
数据集介绍【02】CIFAR10
CIFAR10数据集是用来监督学习训练的,那么每个样本就一定都配备了一个标签值(用来区分这个样本是什么),不同类别的物体用不同的标签值,CIFAR10中有10类物体,标签值分别按照0~9来区分,他们分别是飞机( airplane )、汽车( automobile )、鸟( bird )、猫( cat )、鹿( deer )、狗( dog )、青蛙( frog )、马( horse )、船( ship )和卡车( truck )。·test_x:(10000, 32, 32, 3)——测试样本。原创 2023-12-28 22:38:13 · 625 阅读 · 0 评论 -
数据集介绍【01】-MNIST
MNIST数据集是NIST数据集的一个子集,它包含了60000张图片作为训练数据,10000张图片作为测试数据。图片的大小都为28x28,且数字都会出现在图片的正中间,这些都是灰阶图像所以是一层三维的数据。标签则是图片对应的真是数字。训练集图片:train-images-idx3-ubyte.gz (9.9 MB, 解压后 47 MB, 包含 60,000 个样本)测试集图片:t10k-images-idx3-ubyte.gz (1.6 MB, 解压后 7.8 MB, 包含 10,000 个样本)原创 2023-12-28 22:33:43 · 565 阅读 · 0 评论 -
机器学习错误记录231225
报错:urllib.error.URLError: 这个错误通常是由于网络连接问题引起的。可能是因为您的网络连接不稳定,或者您正在尝试连接的网址无法访问。问题:服务器不能访问网络。原创 2023-12-25 16:16:31 · 378 阅读 · 0 评论 -
pytorch和pytorchvision安装
参考https://blog.csdn.net/2301_76863102/article/details/129369549查看我的版本右键,nvivdia控制面板,帮助,系统信息驱动程序版本号为528.49 更新很快的CUDA版本12.0.147代表我的CUDA Toolkit是12.0,我不用下载(直接安装pytorch,下面有),但是,如果复现论文,则可以按要求来我们开始下载CUDA Toolkit。原创 2023-12-17 20:31:48 · 70 阅读 · 0 评论 -
机器学习【05】CNN卷积神经网络
另外,池化操作也常用于CNN中,它可以减小特征图的大小,同时保留重要的特征信息。假设我们已经得到图片的二维矩阵了,想要提取其中特征,那么卷积操作就会为存在特征的区域确定一个高值,否则确定一个低值。CNN的训练过程和FNN类似,通过反向传播算法来调整网络参数,以最小化预测输出和实际输出之间的误差。在处理图像时,输入层通常是一个由像素值组成的二维矩阵,每个像素代表图像中的一个点。缺点一:参数太多,因为FNN是全连接的,它的权重参数需要训练的数量是非常大的,比如有一个图像的尺寸是128。原创 2023-12-17 20:28:39 · 82 阅读 · 0 评论 -
克隆虚拟环境
科学计算:Anaconda提供了许多用于科学计算的库,如SciPy、Matplotlib、SymPy等,以及高性能计算库如Numba和Dask,使科学家可以方便地进行数值计算、数据可视化、符号计算等。数据科学和机器学习:Anaconda为数据科学家和机器学习工程师提供了一整套工具和库,如NumPy、Pandas、Scikit-learn、TensorFlow等,用于数据分析、可视化和建模。1、假设已有环境名为A,需要生成的环境名为B:(我自己用过,在同一台机器上克隆原始环境到另一个环境,挺好用的)(√)原创 2023-12-15 16:49:59 · 185 阅读 · 0 评论 -
ubuntu安装Miniconda并举例使用
更新系统包官网下载Miniconda,最好是实体机下载后放进虚拟机,方法可以参考进入安装目录执行,右键进入终端执行,默认安装在主目录下bash Miniconda3-latest-Linux-x86_64.sh //你下载的文件名字,但是一定是sh结尾一直输入yes验证~/表示home目录下隐藏文件.bashrc当前目录:Downloads下conda deactivate 是一个用于退出当前激活的 Conda 环境的命令。原创 2023-10-11 21:37:27 · 2467 阅读 · 0 评论 -
AttributeError: module ‘numpy‘ has no attribute ‘ndarray‘
numpy与pandas版本不匹配。卸载numpy重新安装即可。原创 2023-11-28 20:49:52 · 488 阅读 · 0 评论 -
机器学习【04重要】pycharm中关闭jupyter服务器
点红方块关闭 不行。直接关掉pycharm 不行。原创 2023-11-26 18:59:43 · 739 阅读 · 0 评论 -
机器学习【03】在本地浏览器使用远程服务器的Jupyter Notebook【conda环境】
c.NotebookApp.ip=‘localhost’ # 修改打开jupyter notebook网页的ip, 我这边改为了localhost,其实就是127.0.0.1。这一步很重要,在笔记本上打开cmd,作用是把服务器上的jupyter notebook网页映射到笔记本端。在 Jupyter Notebook 的配置目录中生成一个配置文件 jupyter_notebook_config.py。将这句话改为:c.NotebookApp.notebook_dir = ‘./ihan’原创 2023-11-26 12:01:13 · 398 阅读 · 0 评论 -
pycharm远程连接miniconda完整过程,以及遇到的问题解决
因为选择的新建导致太多软连接,先在服务器上建好虚拟环境,选择现有即可。问题1:no-zero exit code(126)1.简单粗暴,删除虚拟环境,重新建一个。2.删除软链接解决失败,直接新建了。那么我们如何解决呢?原创 2023-10-17 23:24:05 · 1563 阅读 · 0 评论 -
机器学习【02】在 Pycharm 里使用 Jupyter Notebook
c.NotebookApp.ip=‘localhost’ # 修改打开jupyter notebook网页的ip, 我这边改为了localhost,其实就是127.0.0.1。2.在 Jupyter Notebook 的配置目录中生成一个配置文件 jupyter_notebook_config.py。c.NotebookApp.port = 8888 # 修改打开jupyter notebook网页的端口。c.NotebookApp.open_browser = False # 不自动打开浏览器。原创 2023-11-24 11:42:05 · 1033 阅读 · 0 评论 -
机器学习【01】相关环境的安装
项目地址:https://github.com/FederatedAI/Practicing-Federated-Learning/tree/main/chapter03_Python_image_classification。参考资料:联邦学习实战{杨强}https://book.douban.com/subject/35436587/3客户端接收全局模型(来自服务器)通过本地多次迭代计算本地参数差值返回给服务器。四、项目运行及结果分析【pycharm】二、环境安装【服务器conda安装】原创 2023-11-23 21:47:05 · 601 阅读 · 0 评论 -
机器学习【00】pycharm使用远程服务器
我们使用conda在服务器上创建虚拟环境,远程使用pycharm进行编程pycharm版本2023.1.3。原创 2023-11-23 12:16:37 · 401 阅读 · 0 评论