《动手学深度学习》代码详解
学习该书并作注释及笔记
小陈是菜狗
这个人是个懒狗,没有介绍
展开
-
实用程序类Accumulator
前些日子发现动手学深度学习pytorch版李沐大佬是有课的,之前一直跟着另外一个GitHub项目在学,这里是对之前准确率中的一个实用程序类的解释,防止自己忘记。class Accumulator: #在n个变量上累加 def __init__(self, n): self.data = [0.0] * n def add(self, *args): for a, b in zip(self.data, args...原创 2021-09-05 16:05:00 · 4017 阅读 · 2 评论 -
模型选择,欠拟合,过拟合
这节主要理解一些知识点,代码没有怎么仔细看。 1.训练误差和泛化误差首先区分训练误差(training error)和泛化误差(generalization error)。通俗来讲,前者指模型在训练数据集上表现出的误差,后者指模型在任意一个测试数据样本上表现出的误差的期望,并常常通过测试数据集上的误差来近似。计算训练误差和泛化误差可以使用之前介绍过的损失函数,例如线性回归用到的平方损失函数和softmax回归用到的交叉熵损失函数。 2....转载 2021-08-16 20:48:17 · 92 阅读 · 0 评论 -
多层感知机的简洁实现
import torchfrom torch import nnfrom torch.nn import initimport numpy as npimport sysimport torchvisionfrom torchvision import transformsimport timeclass FlattenLayer(nn.Module): def __init__(self): super(FlattenLayer, self).__init__(.原创 2021-08-14 21:42:06 · 143 阅读 · 0 评论 -
多层感知机理论
多层感知机在输出层与输入层之间加入了一个或多个全连接隐藏层,并通过激活函数对隐藏层输出进行变换。 常用的激活函数包括ReLU函数、sigmoid函数和tanh函数。转载 2021-08-14 15:00:56 · 91 阅读 · 0 评论 -
softmax回归简洁实现
import torchimport numpy as npimport torch.utils.data as Dataimport torch.nn as nnfrom torch.nn import initimport torch.optim as optim#生成数据集num_inputs = 2num_examples = 1000true_w = [2, -3.4]true_b = 4.2features = torch.tensor(np.random.norma.原创 2021-08-14 13:19:30 · 121 阅读 · 0 评论 -
softmax回归从零实现
import torchimport torchvisionimport torchvision.transforms as transformsimport numpy as npimport timeimport sysimport matplotlib.pyplot as pltdef load_data_fashion_mnist(batch_size): mnist_train = torchvision.datasets.FashionMNIST(root='~/Dat.原创 2021-08-14 13:18:14 · 268 阅读 · 0 评论 -
softmax回归理论
由于之前在跟北京交通大学的暑期课程,所以对这个内容有所了解。但是由于那个课程讲得太简略,而且不给实验课,这里参考了《动手学深度学习》(pytorch版)边学深度边学pytorch。 首先是它的特点:1....转载 2021-07-28 15:27:28 · 245 阅读 · 0 评论 -
线性回归的简单实现
代码详解# 将训练数据的特征和标签组合dataset = Data.TensorDataset(features, labels)# 随机读取小批量data_iter = Data.DataLoader(dataset, batch_size, shuffle=True)for X, y in data_iter: print(X, y) break#利用nn.module实现模型# class LinearNet(nn.Module):# def __in转载 2021-07-27 21:11:49 · 196 阅读 · 0 评论 -
3.2 线性回归的从零开始实现
import torchfrom matplotlib import pyplot as pltimport numpy as npimport random#首先生成数据集num_inputs = 2 #每个样本2个特征数num_examples = 1000 #一共1000个样本true_w = [2, -3.4] #权重true_b = 4.2 #偏差features = torch.randn(num_examples, num_inputs, .转载 2021-07-22 23:42:46 · 174 阅读 · 0 评论