小白不白

pytorch使用其自带的数据集制作训练集和测试集是简单的，但我们需要训练自己的数据集时就要自己写函数来进行图片划分，转义，输入等操作了。这里我以四种天气数据为例来说明如果用pytorch进行自定义图片输入。其结构如图，四类图片均在一个文件夹内。我们需要做的是将他们划分为训练集和测试集，供模型训练。导入需要的库import torchfrom torch.utils import datafrom PIL import Image # pip install pillowimport

数据导入与处理import torchimport torch.nn as nnimport torch.nn.functional as Fimport torch.optim as optimimport numpy as npimport matplotlib.pyplot as plt%matplotlib inlineimport torchvisionimport osimport shutilfrom torchvision import transforms数据为1

BN层原理BN：Batch Normalization-批量归一化其作用为：加快网络的训练和收敛的速度控制梯度爆炸防止梯度消失防止过拟合加快收敛速度：在深度神经网络中中，如果每层的数据分布都不一样的话，将会导致网络非常难收敛和训练，而如果把 每层的数据都在转换在均值为零，方差为1 的状态下，这样每层数据的分布都是一样的训练会比较容易收敛。防止梯度爆炸和梯度消失：以sigmoid函数为例，sigmoid函数使得输出在[0,1]之间，实际上当x道了一定的大小，经过sigmoid函数后输出范围

数据准备导入需要的模块import torchimport torch.nn as nnimport torch.nn.functional as Fimport torch.optim as optimimport numpy as npimport matplotlib.pyplot as pltimport torchvisionfrom torchvision import datasets, transforms%matplotlib inlinetorch.nn为我们提供

数据准备导入需要的模块import torchimport torch.nn as nnimport torch.nn.functional as Fimport torch.optim as optimimport numpy as npimport matplotlib.pyplot as pltimport torchvisionfrom torchvision import datasets, transforms%matplotlib inlinetorch.nn为我们提供

求极限求下列极限并用python编程求极限。求解：2. 求导求的导数并用python编程求导。求偏导已知　求在点（1，2）处的偏导数，并用python编程实现。（提示：复合函数求导，设、、求偏导带入求值方向导数及梯度求定积分p = 8n = 10000sum1 = 0 for i in range(1,n+1): sum1 += i**pprint(sum1/n**(p+1))...

什么是卷积卷积神经网络是机器视觉，乃至整个深度学习的核心。首先看为什么卷积这么厉害。我们所有的图片，如灰度图，每一个像素点都有一个灰度值，构成一个矩阵。设长宽为28像素，则该矩阵大小为2828对于彩色图片也一样，他是由rbg三种颜色构成，我们看成三张像素图，也就是三个灰度图的矩阵就行了（其实为一张，一个矩阵，其大小为2828*3）。...

tensor数据类型Tensor在使用时可以有不同的数据类型，官方给出了 7种CPU Tensor类型与8种GPU Tensor类型。16位半精度浮点是专为GPU模型设计的，以尽可能地节省GPU显存占用，但这种节省显存空间的方式也缩小了所能表达数据的大小。PyTorch中默认的数据类型是 torch.FloatTensor，即torch.Tensor等同于torch.FloatTensor。PyTorch可以通过set_default_tensor_type函数设置默认使用的Tensor 类型，在局部

pytorch简介pytorch特点pytorch安装miniconda和anaconda差不多，mini比较小而已修改用户文件，在C盘用户里，找到你的用户，用记事本打开就行，将下面代码复制进去。channels: - defaultsshow_channel_urls:truedefault_channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkqs/main - https://mirro