![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
文章平均质量分 50
深度学习基础
CODING_LEO
这个作者很懒,什么都没留下…
展开
-
d2l绘图不显示的问题
在pycharm中还是不行,但是在anaconda中的命令行是可以的。之前试了各种方法都不行。原创 2023-12-11 13:42:11 · 545 阅读 · 1 评论 -
深度学习优化器
【代码】深度学习优化器。原创 2023-12-05 21:54:13 · 688 阅读 · 0 评论 -
多层感知机
参数的改变会影响生成数列的步长和元素的数量,可以根据需要调整这个参数来生成不同间隔的数列。张量,不会再追踪其上的操作,也不会记录在计算图中。报错d2l中没有train_ch3函数 我手动加了进去,3.6章节的。具有相同的数据,但不再与计算图相关联。的值,将会影响生成的数列中元素的个数和间隔。有点问题,不显示图像,别人也与这样的问题,好像是w。的计算图,也就是将张量从计算图中分离出来。共享数据的新张量,但是不会保留。返回一个新的张量,该张量与。会创建一个张量,包含从。多层感知机从零开始实现。原创 2023-11-29 21:32:53 · 656 阅读 · 0 评论 -
softmax实现
一开始不出图,后来 再add函数中加。最后加d2l.plt.show()原创 2023-11-29 16:30:19 · 880 阅读 · 0 评论 -
损失函数与反向传播
反向传播grad对参数优化,梯度下降,对参数更新,达到降阶。计算l1loss mseloss。原创 2023-11-28 21:35:23 · 688 阅读 · 0 评论 -
softmax回归的从零开始实现
在实现softmax回归模型之前,我们简要回顾一下sum运算符如何沿着张量中的特定维度工作。如2.3.6节和2.3.6.1节所述, 给定一个矩阵X,我们可以对所有元素求和(默认情况下)。也可以只求同一个轴上的元素,即同一列(轴0)或同一行(轴1)。如果X是一个形状为(2, 3)的张量,我们对列进行求和, 则结果将是一个具有形状(3,)的向量。当调用sum运算符时,我们可以指定保持在原始张量的轴数,而不折叠求和的维度。这将产生一个具有形状(1, 3)的二维张量。[15.]]))原创 2023-11-15 00:40:20 · 40 阅读 · 0 评论 -
线性回归训练
现在我们已经准备好了模型训练所有需要的要素,可以实现主要的训练过程部分了。理解这段代码至关重要,因为从事深度学习后, 相同的训练过程几乎一遍又一遍地出现。在每次迭代中,我们读取一小批量训练样本,并通过我们的模型来获得一组预测。计算完损失后,我们开始反向传播,存储每个参数的梯度。都是超参数,分别设为3和0.03。设置超参数很棘手,需要通过反复试验进行调整。我们现在忽略这些细节,以后会在。函数遍历整个数据集, 并将训练数据集中所有样本都使用一次(假设样本数能够被批量大小整除)。(epoch)中,我们使用。原创 2023-11-12 17:58:50 · 46 阅读 · 0 评论 -
强化学习--奖励函数
强化学习的标准交互过程如下:每个时刻,智能体根据根据其策略(policy),在当前所处状态(state)选择一个动作(action)对这些动作做出相应的相应的响应,转移到新状态,同时产生一个,这通常是一个数值,奖励的折扣累加和称为,是智能体在动作选择过程中想要最大化的目标强化学习交互图在这个过程中,。可以把这种想法非正式地表述为 “收益假设”智能体所有的 “目标” 或 “目的” 都可以归结为:最大化智能体收到的标量奖励信号的累计和(称之为“收益”)的概率期望值 —— Richard S.Sutton。原创 2023-11-09 22:31:39 · 1861 阅读 · 0 评论 -
【神经网络-非线性激活】
【代码】【神经网络-非线性激活】原创 2023-11-08 22:10:51 · 33 阅读 · 0 评论 -
矢量化加速
为了说明矢量化为什么如此重要,我们考虑对向量相加的两种方法。在一种方法中,我们将使用Python的for循环遍历向量;在另一种方法中,我们将依赖对。在训练我们的模型时,我们经常希望能够同时处理整个小批量的样本。为了实现这一点,需要我们对计算进行矢量化, 从而利用线性代数库,而不是在Python中编写开销高昂的for循环。另外,我们将更多的数学运算放到库中,而无须自己编写那么多的计算,从而减少了出错的可能性。首先,我们使用for循环,每次执行一位的加法。运算符来计算按元素的和。或者,我们使用重载的。原创 2023-11-08 00:12:45 · 98 阅读 · 0 评论 -
神经网络的基本骨架--nn.Module的使用
输入x经过一次卷积,再经过一次非线性,再经过一次卷积,再经过一次非线性,才得到输出。原创 2023-11-06 00:30:53 · 2757 阅读 · 0 评论 -
【数据处理】
还可以通过提供保函数值的python列表(或嵌套列表),来为张量赋值,外侧列表对应轴0,内侧列表对应轴1。张量中元素可以通过索引来访问,第一个元素索引为0,最后一个索引为-1,【1:3】是选择第二个和第三个元素。一个形状为(3 ,4)的张量,其中每个元素从均值为0,标准差为1的标准高斯分布(正态分布)中随机采样。为多个元素赋予相同的值,【0:2,:】表示访问第一行和第二行,其中:表示沿轴1(列)的所有元素。创建一个形状为(2,3,4)的张量,所有元素设置为1。dim轴为0是按行,轴为1是按列。原创 2023-11-05 21:07:57 · 128 阅读 · 0 评论 -
【torchvision中数据集的使用】
如果下载的慢,可以将链接放置到迅雷下载,然后粘贴到目标文件夹。dataloader在search中寻找。代码:从pytorch中下载数据集。原创 2023-10-30 22:29:29 · 33 阅读 · 0 评论 -
常见的Transforms
输入 *PIL *Image.open()*输出 *tensor *ToTensor()*作用 *narrays *cv.imread()这里出了一个问题,一开始数值太大剪裁不开。可以把之前的日志文件删掉,否则可能影响。结果:步数不同,可以看到不同的结果。还有一些方法 可以看源码。结果:大小发生了变化。结果:图片发生了变换。原创 2023-10-27 23:57:31 · 33 阅读 · 0 评论 -
Transforms的使用
transforms像一个工具箱,里面有不同的class,相当于不同的作用,例如把数据转换为totensor或者resize。它把一些特定格式的图片经过挑选的工具,输出一个想要的图片的结果。一开始:不知道为啥启动没有照片 换端口并清除了下缓存才ok。原创 2023-10-27 00:25:57 · 237 阅读 · 0 评论 -
Tensorboard的使用二
【代码】Tensorboard的使用二。原创 2023-10-24 23:26:59 · 33 阅读 · 0 评论 -
【TensorBoard的使用】
遇到问题:pip tensorboard失败 后来换了个环境成功,但是没法使用,再pip transform后才使用成功。原创 2023-10-23 16:49:40 · 73 阅读 · 3 评论 -
深度学习读取处理图像
【代码】深度学习读取处理图像。原创 2023-10-18 00:43:01 · 39 阅读 · 1 评论 -
PyTorch中的一些数据操作
在深度学习中,我们会频繁的对数据进行操作。这是我们在写代码最基本、入门的一个操作。首先导入torch包弄懂张量、数组、向量、矩阵中的一些基本概念表⽰由⼀个数值组成的,这个数组可能有多个维度。具有⼀个轴的张量对应数学上的( vector )。具有两个轴的张量对应数学上的(matrix )。原创 2023-10-16 01:30:26 · 186 阅读 · 3 评论 -
【pytorch】
所以对虚拟环境进行创建、删除等操作需要使用conda命令。使用命令conda remove -n your_env_name(虚拟环境名称) --all, 即可删除。网址: https://pytorch.org/get-started/locally/。conda env list 或 conda info -e:查看当前存在哪些虚拟环境。conda update conda:检查更新当前conda。conda list:查看安装了哪些包。使用命令conda env list。原创 2023-09-19 19:55:29 · 32 阅读 · 0 评论 -
【conda安装】基于基于miniconda和Windows
Conda是一个在Windows、macOS、Linux和z/OS上运行的开源软件包管理系统和环境管理系统。Conda快速安装、运行和更新软件包及其依赖项。Conda可以在本地计算机上轻松创建、保存、加载和切换环境。它是为Python程序创建的,但它可以为任何语言打包和分发软件。原创 2023-09-18 23:42:12 · 192 阅读 · 0 评论 -
卷积神经网络基础补充
2.针对二分类问题,一般采用sigmoid输出,每一个输出节点之间互不相干,即每一个输出不会满足任何一种分布规律。对于二分类问题,理论上使用sigmoid和softmax没有区别,因为数学表达式的形式是一样的。1.针对多类问题,一般采用softmax输出,所有输出节点满足概率和为1的分布规律,大部分使用。若输出包含人类、男人等等,它的输出不满足概率分布,需要使用二分类问题进行处理。中间节点的输出以及下面节点的输出,b1为偏置(此案例没有使用激活函数)若猫和狗的分类,得到的输出是唯一的(不是狗就是猫)原创 2023-09-13 23:00:00 · 48 阅读 · 1 评论 -
【深度学习】卷积神经网络
卷积核的深度要和输入特征矩阵一致(这里的深度指的是channel,即通道数),都是三维的,最终卷积得到的矩阵是由三通道的输入特征矩阵和三通道的卷积核分别对应卷积,再对应相加后得到一个卷积矩阵。:一个滑动窗口在特征图上进行滑动,并计算(将卷积核上的值与特征图上的值对应相乘,再进行相加,就得到最后矩阵中的一个值,每滑动一步计算一个值,最终得到卷积结果)3、将所得到的5*5的矩阵按行进行展开,并将其拼接成一个行向量(1行25列),这样就可以把这个行向量当成输入神经网络的输入层。4、输入层有了之后,再看输出层。原创 2023-09-12 22:36:01 · 332 阅读 · 0 评论