- 博客(18)
- 收藏
- 关注
原创 matlab将二维矩阵扩展为三维及对三维矩阵使用prod函数
B = prod(A,dim) 返回沿维度 dim 的乘积。dim=1代表行,dim=2代表列,得到结果。1.matlab 中对二维或三维矩阵使用 prod 函数。下面是三维矩阵使用函数prod()的结果。2.将数组扩展为三维。
2024-09-12 09:34:37 211
原创 latex 两行公式多处对齐
可以看到{flalign*}命令会使公式填满一行,但这样导致图三和图四的每一行中的空格都太大了,所以使用 {alignat*} 命令中间加空格比较好。latex 两行公式一处对齐,我们可以使用 & 实现。为使 latex 两行公式多处对齐,可使用命令{alignat*}和{flalign*}。方法一:使用{alignat*}对齐,可用。为了让 bbb 和 b 分开,可以这样实现。方法二:使用{flalign*}对齐。
2024-09-12 09:27:59 241
原创 【latex数学公式中在右下角或正下方添加字符】
总之,数学符号后面加“_h”,“h”不一定是在右下角还是在正下方,需要具体分析,而“\nolimits _h”一定是在右下角,"\limits _h"一定是在正下方。
2023-02-15 16:50:00 6725
原创 【再次出现:VS2015运行Fortran代码的错误(“Debug|Win32”要求“Win32”平台等)】
我的上一篇文章运行成功后,又在该解决方案下新建了一个项目Console2,实现输出大写的HELLO WORLD,但是又报了如下错误可以看到是选的x64,但是我们选择“配置管理器”发现Console2的平台还是Win32,点击“新建”,得到点击确定,得到将生成下面的对勾也打上,得到点击关闭,重新生成Console2,便不会报错了。...
2022-03-04 11:52:23 916
原创 【VS2015运行Fortran代码出现错误:“Debug|Win32”要求“Win32”平台等】
之前电脑安装过VS2019,然后卸载了安装了VS2015,第一次用VS2015运行Fortran,报错可以看到只有x86,但是我的电脑是64位的,最终解决方法如下:点“配置管理器”,得到点击上图的“新建”,得到选择x64,并点“确定”,得到点“关闭”,得到下图再按上图点x64。之后重新生成解决方案,就不会报错了。(我并不知道原因,只是这样试了一下,程序就能运行了)...
2022-03-03 22:43:41 1703 1
原创 c盘扩容(实操)
结合前一篇文章,记录了自己C盘扩容的完整过程。需要使用这篇文章里百度网盘中的软件。初始的设备存储情况如下:目的:想要从D盘再分出来10G给C盘,操作方式如下:计算机管理->存储->磁盘管理,得到注意,D盘要和C盘在一个磁盘里才能分存储空间给C盘。如上图所示,C盘和D盘都在“磁盘0”里,可以分过去存储空间。右键D盘,选择“压缩卷”,得到在“输入压缩空间量”里修改值为10240MB(10GB),点击“压缩”,得到打开解压缩后的PA_Green,双击“PartAssist.e
2021-10-29 19:50:17 1733
原创 C盘变红如何扩容
C盘变红如何扩容欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器你好! 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markd
2021-10-24 20:44:29 194
原创 用AIStudio运行自己的Pytorch代码
1.上传自己数据集将自己的数据集压缩成“数据集名.zip”形式,在AIStudio中找到数据集->创建数据集,然后一步一步按照提示做。2.创建项目在AIStudio中找到项目->创建项目,填写项目描述,在点击“创建”前要“添加数据集”,在“个人数据集”中找到自己刚刚上传的数据集,添加了数据集后再点击“创建”。3.解压数据集进入自己的项目,在终端执行“unzip 数据集名.zi...
2020-05-25 22:17:42 6185 3
原创 pandas读取csv文件报错
import osimport pandas as pdtrain_data_dir="/dataset/训练集"train_label_file="train.csv"path=os.path.join(train_data_dir,train_label_file)print(path)train_labels=pd.read_csv(path)结果:/dataset/训...
2020-03-30 10:21:25 574
原创 生成对抗神经网络基本思想
生成对抗神经网络(GAN)中有两个模型,一个是生成器(Generator),另一个是判别器(Discriminator)。生成器希望生成一个近似真实的图片(也可以不是图片,根据不同的神经网络结构,生成对抗神经网络可以被用来生成多种不同的数据类型),而判别器是一个分类模型,用来判断一个图片是不是真实(真实的图片是指从数据集里获取的图片),如果是真实的图片,返回1,不是则返回0。这两个模型对抗训练,逐...
2020-02-25 21:51:35 1261
原创 ImageFolder
ImageFolder(root, transform=None, target_transform=None, loader=default_loader)它主要有四个参数:root:在root指定的路径下寻找图片transform:对PIL Image进行的转换操作,transform的输入是使用loader读取图片的返回对象target_transform:对label的转换lo...
2020-02-25 21:38:24 267
原创 梯度下降
1.梯度下降(Gradient Descent)、批量梯度下降(Batch Gradient Descent,简称BGD)与随机梯度下降(Stochastic Gradient Descent,简称SGD):自变量向着梯度反方向移动,可以减小函数值。一维:x←x−ηf′(x)x\leftarrow x-\eta f'(x)x←x−ηf′(x)多维:x←x−η∇f(x)\bf{x\leftarr...
2020-02-25 01:03:33 123
原创 Sequence to Sequence模型理解
借鉴博客:几张图彻底搞定Seq2SeqSequence to Sequence模型由两部分组成:Encoder和Decoder。在机器翻译过程中,假设要将汉语翻译成英语,首先,我们需要两个词典,一个是汉语的词语与数字(index)的一一对应的词典,另一个是英语单词与数字(index)的一一对应的词典,这样,就可以由词语得到数字,也可以由数字得到词语。1.Encoder部分:对于输入的一句汉语...
2020-02-19 19:39:01 1684
原创 RNN,GRU,LSTM计算公式
1.循环神经网络(recurrent neural network,简称RNN)假设Xt∈Rn×dX_t\in R^{n\times d}Xt∈Rn×d是时间步ttt的小批量输入,Ht∈Rn×hH_t\in R^{n\times h}Ht∈Rn×h是该时间步的隐藏变量,则Ht=ϕ(XtWxh+Ht−1Whh+bh)H_t=\phi(X_tW_{xh}+H_{t-1}W_{hh}+b_h)...
2020-02-17 22:36:51 647
原创 卷积神经网络基础
1.二维互相关运算:由二维的输入数组和二维的核数组得到一个二维的输出数组。这个二维的核数组通常称为卷积核或过滤器(filter),它的高度和宽度一般比输入数组小。二维卷积层是将输入与卷积核做互相关运算,再加一个标量偏置。因此卷积层的模型参数就包括卷积核和标量偏置。2.特征图(feature map):简单来说就是指输出数组,因为它可以看作是输入在空间维度(高和宽)上的某一级表征。感受野(r...
2020-02-16 11:16:53 125
原创 PyTorch中data和detach()及detach_()
正常情况下:import torchx=torch.arange(-2.0,2.0,1.0,requires_grad=True)y=x.sigmoid()#x.relu()#x.tanh()y.sum().backward()print(x.grad)#tanh()时:tensor([0.0707, 0.4200, 1.0000, 0.4200])#relu()时:tensor([...
2020-02-14 13:13:49 280
原创 softmax回归的基本要素
softmax回归的基本要素1.数据集:带有标签的图片,即已分类好的图片。以28×2828\times2828×28的灰度图为例,它们共分为10类。2.模型:只有一个全连接层的神经网络,因此是单层神经网络。1.输入为图片,以其像素为输入,即一个样本的输入应为1行784列(28×28=78428\times28=78428×28=784)的向量。2.一个样本的真实输出为1×101\times...
2020-02-14 00:10:53 125
原创 实现线性回归
一、线性回归的基本要素1.模型:设为y=w1x1+w2x2+by=w_1x_1+w_2x_2+by=w1x1+w2x2+b2.数据集:已知一些样本,每一个样本由x1x_1x1,x2x_2x2,yyy组成,希望通过训练这些样本得到模型中参数w1w_1w1,w2w_2w2,bbb的值。x1x_1x1,x2x_2x2称为特征(feature),yyy称为标签(label)。3...
2020-02-13 01:27:41 274
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人