•深度学习实践

【无标题】

具体内容参考Pytorch深度学习——加载数据集（b站刘二大人）P8讲加载数据集_努力学习的朱朱的博客-CSDN博客_diabetes.csv.gz【Pytorch深度学习实践】B站up刘二大人之Dataset
不会代码是小白·2022-11-29 14:56

PyTorch深度学习实践——处理多维特征的输入

importtorchimportnumpyasnpxy=np.loadtxt('diabetes.csv',delimiter=',',dtype=np.float32)#括号内第一个为文件名，第二个为分隔符，第三个为指定数据类型x_data=torch.from_numpy(xy[:,:-1])#最后一列不要（-1表示最后一列），取前面八列（最后一列是y）y_data=torch.from_n
CheneyTAT·2022-11-28 21:22

深度学习实践 处理多维特征的输入

这里写目录标题一、处理多维特征的输入二、代码：一、处理多维特征的输入多维数据的行：record列：feature当输入x变成n维的向量，让其和n维的权重w作内积，内积之后转置。广播：Python/Numpy中的矩阵向量的广播（Broadcasting）特性矩阵和向量：self.linear=torch.nn.Linear(8,2)可以将8维的输入进行空间维度变换，成为2维的输出。每次空间压缩，需要
EP Fitwin·2022-11-28 21:47

Pytorch深度学习实践课程-处理多维特征输入

导入前几节主要讨论的是一维特征的输入（即一个x：实数）单维：输入x是一个实数。多维：x有不同的特征，预测对应的分类。回归问题：输出值y是一个实数。分类问题：输出y是属于一个离散的集合。数据集介绍如下图是个糖尿病的数据集，一行是一个样本，共有八个特征，一列是一个特征（10维）。最终输出的值是一个y（取值只有0和1，代表分类任务）一维到多维：模型的改变一维：x是一个实数，所以乘以一个w权重即可。多维：
L_Moonshine·2022-11-28 21:44

PyTorch深度学习实践概论笔记7-处理多维特征的输入

上一讲PyTorch深度学习实践概论笔记6-逻辑斯蒂回归中讨论了用Logistic回归实现二分类问题。之前面对的都是单维数据，接下来讨论当我们面对多维数据时如何处理。
双木的木·2022-11-28 21:05

深度学习实践方法论：从零到一搭建一个深度学习系统要综合考虑哪些策略？

内容总结自花书《DeepLearning》。文章目录性能度量默认的基准模型决定是否收集更多数据选择超参数手动调整半自动搜索网格搜索随机搜索调试策略References要想成功地运用深度学习，仅仅知道存在哪些算法和解释它们为何有效是不够的。我们必须能够针对具体应用挑选一个合适的算法，并根据实验反馈改进深度学习系统。我们在日常开发中，需要自己决定是否需要收集更多的数据、增加或减少模型容量、添加或删除正
_SeeUtoday_·2022-11-28 07:51

【PyTorch深度学习实践】学习笔记 数据集的加载Dataset和DataLoader原理

简而言之，这俩就是自动帮我们取数据，避免了接触底层代码1、前言机器学习模型训练五大步骤；第一是数据，第二是模型，第三是损失函数，第四是优化器，第五个是迭代训练过程。这里主要学习数据模块当中的数据读取，数据模块通常还会分为四个子模块:数据收集、数据划分、数据读取、数据预处理。在进行实验之前，需要收集数据，数据包括原始样本和标签；有了原始数据之后，需要对数据集进行划分，把数据集划分为训练集、验证集和测
咯吱咯吱咕嘟咕嘟·2022-11-27 14:35

卷积神经网络的卷积核参数如何更新_笔记之《解析卷积神经网络》

引言：《解析卷积神经网络》是@魏秀参博士撰写的深度学习实践手册，主要以卷积神经网络为主体，可以在魏博士个人主页获取电子版，解析卷积神经网络——深度学习实践手册。
weixin_39884100·2022-11-27 09:25

PyTorch深度学习实践——用PyTorch实现线性回归

总体分为四个步骤：准备数据集、设计模型（通过前馈和反馈函数计算y^，直接从nn.module中继承）、构造损失函数和优化器（使用PyTorch应用接口）、训练周期（一个周期包含前馈、反馈、更新）执行代码如下：importtorchx_data=torch.Tensor([[1.0],[2.0],[3.0]])#x_data为3*1的矩阵y_data=torch.Tensor([[2.0],[4.0
CheneyTAT·2022-11-27 07:41

《PyTorch深度学习实践》第五讲 用PyTorch实现线性回归

首先确定线性模型函数，以及损失函数的公式编写代码主要有四个步骤：以下是我对于本节做的笔记，话不多说，上图线性模型的pytorch实现代码如下：importtorch#preparedataset第一步：准备数据集#x,y是矩阵，3行1列也就是说总共有3个数据，每个数据只有1个特征x_data=torch.tensor([[1.0],[2.0],[3.0]])#每个元素一定要用[]括起来y_data
风清扬，夏邑·2022-11-27 07:03

PyTorch深度学习实践概论笔记5-用pytorch实现线性回归

上一讲PyTorch深度学习实践概论笔记4-反向传播介绍了反向传播算法。现在来看第5讲：用pytorch实现线性回归。
双木的木·2022-11-27 07:53

PyTorch深度学习实践11——卷积神经网络高级

GoogleNet减少代码冗余的思想：在面向过程的编程语言中体现为函数；在面向对象的编程语言中体现为类1x1卷积核的作用concatenate操作如何确定输出张量的尺寸：在定义时先不定义fc层，随便选取一个输入，经过模型后查看其尺寸在本例中，init函数中把fc层去掉，forward函数中把最后两行去掉，确定输出的尺寸后再定义Lear层的大小ResNet为什么网络层数更深反而效果更差：梯度消失：在
UnFledged·2022-11-27 03:35

PyTorch深度学习实践——卷积神经网络(基础篇)

参考资料参考资料1:https://blog.csdn.net/bit452/article/details/109690712参考资料2：http://biranda.top/Pytorch%E5%AD%A6%E4%B9%A0%E7%AC%94%E8%AE%B0011%E2%80%94%E2%80%94Simple_CNN/卷积神经网络(基础篇)1、convimporttorchin_chann
没有人会真的躺平·2022-11-27 03:33

PyTorch深度学习实践-P11卷积神经网络（高级篇）

复习此网络结构与LeNet5很像，LeNet-5是YannLeCun在1998年设计的用于手写数字识别的卷积神经网络，是早期卷积神经网络中最有代表性的实验系统之一。参考资料：卷积神经网络的网络结构——以LeNet-5为例_strint的专栏-CSDN博客_lenet5卷积神经网络结构GoogLeNet：不是串行结构的CNN蓝色：卷积，红色：池化，黄色：softmax，other：拼接或者其他减少代
m0_60673782·2022-11-27 03:01

PyTorch深度学习实践概论笔记11练习1-ResNet论文阅读

在PyTorch深度学习实践概论笔记11-卷积神经网络高级篇中介绍了GoogLeNet（包括InceptionModule）以及ResidualBlock，为进一步学习ResNet网络，需要阅读论文。
双木的木·2022-11-27 03:00

PyTorch 入门与实践（六）卷积神经网络进阶（GoogLeNet、ResNet）

来自B站刘二大人的《PyTorch深度学习实践》P11的学习笔记GoogLeNet1×1卷积上一篇我们知道，卷积的个数取决于输入图像的通道数。
Skr.B·2022-11-27 03:59

PyTorch深度学习实践——卷积神经网络（GoogLeNet部分实现、ResNet )

参考资料参考资料1：https://blog.csdn.net/bit452/article/details/109693790参考资料2：http://biranda.top/Pytorch%E5%AD%A6%E4%B9%A0%E7%AC%94%E8%AE%B0012%E2%80%94%E2%80%94Advancedd_CNN/torch.nn.Conv2d为什么只定义卷积核的大小，而不定义卷
没有人会真的躺平·2022-11-27 03:26

Pytorch框架下由全连接网络对MINIST数据集的分类

如果对原视频教程感兴趣，下方将供上连接，可以去刘老师的主页听课学习《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibiliimporttorchfromtorchvisionimporttransformsfromtorchvisionimportdatasetsfromtorch.utils.dataimportDataL
bairan111·2022-11-26 21:25

超简单的pyTorch训练->onnx模型->C++ OpenCV DNN推理（附源码地址）

最近也是正好赶的疫情，出差少了，也是在B站看pyTorch视频时有评论说刘二大人的《pyTorch深度学习实践》讲的好，整个教程看下来后，确实是深入浅出，感觉就是宛然打通自己任督二脉，算是入门
Vaccae·2022-11-26 10:49

【PyTorch深度学习实践】学习笔记 第七节 多维特征数据的处理

课程链接PyTorch深度学习实践第七节课程。gogogo~！通过前几期视频的学习，我们知道了关于一维特征的输入的二分类（也就是x只有一个列向量）应该如何处理了。但事情往往并不那么简单。
咯吱咯吱咕嘟咕嘟·2022-11-26 08:18

Pytorch深度学习实践第八讲课后习题 训练titanic数据集

本节没有课程传送门，算是博主根据老师讲的内容做的作业。数据集传送门KaggleTitanicdataset这里对数据集进行了一些处理，首先第一行不能是属性名而非特征，不能使用所以在第一个表格前加了'#'，另外有一些无用特征比如乘客姓名这里选择了直接跳过，最后在处理过发现np.loadtxt函数不能识别'str'类型数据，所以空数据用‘-1’进行了替换，数据集最后一项只有三个类别，所以用'0','1
改什么都是已存在？·2022-11-26 05:39

PyTorch 深度学习实践 第2讲

PyTorch深度学习实践第2讲第2讲linear_model源代码B站刘二大人，传送门PyTorch深度学习实践——线性模型代码说明：1、函数forward()中，有一个变量w。
皮肤科大白·2022-11-26 05:39

Pytorch深度学习实践第八讲 加载数据集

B站刘二大人传送门加载数据集本节用的还是糖尿病数据集，老师放的百度云课件中有数据集压缩包，自行下载。这一节把数据加载做成了类，并且增加了批量处理。代码中有一些测试和绘图后注释掉的内容，这里就不删除了。链接：https://pan.baidu.com/s/1vZ27gKp8Pl-qICn_p2PaSw提取码：cxe4importtorchfromtorch.utils.dataimportDatas
改什么都是已存在？·2022-11-26 05:39

pytorch 深度学习实践 第8讲 加载数据集

第8讲加载数据集datasetanddataloaderpytorch学习视频——B站视频链接：《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibili以下是视频内容笔记以及小练习源码，笔记纯属个人理解
会游泳的小雁·2022-11-26 05:38

PyTorch 深度学习实践 第8讲 加载数据集

数据来源：diabetes.csv批量梯度下降要并行处理，所以要加上if__name__=='__main__':importtorchimportnumpyasnpfromtorch.utils.dataimportDataset,DataLoaderclassDiabetesDataset(Dataset):def__init__(self,datapath):xy=np.loadtxt(da
Grairain·2022-11-26 05:38

Pytorch 深度学习实践第8讲

七、加载数据集DatasetandDataLoader课程链接：Pytorch深度学习实践——加载数据集1、Batch和Mini-BatchMini-BatchSGD是为了均衡BGD和SGD在性能和时间复杂度上的平衡需求
Jasonare·2022-11-26 05:35

Pytorch 深度学习实践第4讲

三、反向传播课程链接：Pytorch深度学习实践——反向传播1、两层的神经网络问题：每一层输出的都是上一层输入的线性函数，不管加多少隐藏层的神经网络，最后的output也只是input的线性组合。
Jasonare·2022-11-26 05:05

《PyTorch深度学习实践》第9讲

#直接复制到编译器里面看就行#视频配套：09.多分类问题_哔哩哔哩_bilibiliimporttorchimporttimestart_time=time.time()#为了计算和gpu计算时的差距，调用这个包来计算程序运行时间#以下三个是与数据集相关的包fromtorchvisionimporttransforms#torchvision里的transforms针对各种各样的图像进行的处理的工
爱吃橘子的小旭旭·2022-11-26 05:32

《PyTorch深度学习实践》 第8讲

#直接复制到编译器里面看就行#视频来源（b站刘二大人）：08.加载数据集_哔哩哔哩_bilibiliimporttorchimportnumpyasnpimportmatplotlib.pyplotaspltimporttime"""Dataset是一个抽象类，无法实例化对象，只能被其他的子类继承我们自己要定义的话得先继承Dataset类，然后自己去定义实例化对象Dataset是为了拿出数据的索引
爱吃橘子的小旭旭·2022-11-26 05:31

【PyTorch】深度学习实践之反向传播 Back Propagation

本文目录前馈计算反向传播过程TensorinPyTorch课堂练习：线性模型LinearModel实现代码结果课后练习学习资料系列文章索引前馈计算权重维度增加，层数增加，模型变得复杂但是化简后仍是线性，因此增加层数意义不大引入激活函数，从而增加非线性反向传播计算梯度，使用链式法则反向传播过程TensorinPyTorchTenso(张量)：PyTorch中存储数据的基本元素。Tensor两个重要的
zoetu·2022-11-25 10:36

PyTorch 深度学习实践-04-[Back Propagation]

Date:2021-12-20Repositity:Gitee0.前言Reference:WIKI反向传播（英语：BackPropagation，缩写为BP）是“误差反向传播”的简称，是一种与最优化方法（如梯度下降法）结合使用的，用来训练人工神经网络的常见方法。该方法对网络中所有权重计算损失函数的梯度。这个梯度会回馈给最佳化方法，用来更新权值以最小化损失函数。反向传播要求对每个输入值得到已知输出，
AnimateX·2022-11-25 10:23

PyTorch深度学习实践——多分类问题

参考资料参考资料1：https://blog.csdn.net/bit452/article/details/109686936参考资料2：http://biranda.top/pytorch%E5%AD%A6%E4%B9%A0%E7%AC%94%E8%AE%B0010%E2%80%94%E2%80%94%E5%A4%9A%E5%88%86%E7%B1%BB%E9%97%AE%E9%A2%98/多
没有人会真的躺平·2022-11-24 18:04

PyTorch深度学习实践——处理多维特征的输入

参考资料参考资料1：https://blog.csdn.net/bit452/article/details/109682078参考资料2:http://biranda.top/Pytorch%E5%AD%A6%E4%B9%A0%E7%AC%94%E8%AE%B0008%E2%80%94%E2%80%94%E5%A4%9A%E7%BB%B4%E7%89%B9%E5%BE%81%E9%97%AE%E
没有人会真的躺平·2022-11-24 18:34

PyTorch深度学习实践——加载数据集

参考资料参考资料1：https://blog.csdn.net/bit452/article/details/109686474参考资料2：http://biranda.top/Pytorch%E5%AD%A6%E4%B9%A0%E7%AC%94%E8%AE%B0009%E2%80%94%E2%80%94%E5%85%B3%E4%BA%8E%E6%95%B0%E6%8D%AE%E9%9B%86/#
没有人会真的躺平·2022-11-24 18:04

PyTorch深度学习实践——线性模型、梯度下降算法、反向传播

1、线性回归参考资料1：https://blog.csdn.net/bit452/article/details/109627469参考资料2：http://biranda.top/Pytorch%E5%AD%A6%E4%B9%A0%E7%AC%94%E8%AE%B0003%E2%80%94%E2%80%94%E7%BA%BF%E6%80%A7%E6%A8%A1%E5%9E%8B/#%E7%BA%
没有人会真的躺平·2022-11-24 18:50

《PyTorch深度学习实践》Lecture_11 卷积神经网络进阶 Convolutional Neural Network

B站刘二大人老师的《PyTorch深度学习实践》Lecture_11GoogLeNet+DeepResidualLearningLecture_11卷积神经网络进阶ConvolutionalNeuralNetworkGoogLeNet
　木夕敢敢·2022-11-24 15:24

PyTorch深度学习实践——梯度下降算法

梯度下降算法代码如下：（增加绘图代码）importmatplotlib.pyplotaspltx_data=[1.0,2.0,3.0]y_data=[2.0,4.0,6.0]w=1.0#设置初始权重defforward(x):#定义前馈函数returnx*wdefcost(xs,ys):#定义损失函数cost=0forx,yinzip(xs,ys):y_pred=forward(x)#计算预测的y
CheneyTAT·2022-11-24 12:52

刘二大人PyTorch-卷积神经网络(CNN)—高级篇

《PyTorch深度学习实践》视频一.GoogLeNet1.其中的多次出现的蓝红结构被称之为：Inception1.1什么是1*1的单个卷积核？
TheFanXY·2022-11-24 10:40

2. 线性模型

B站刘二大人老师的课程代码PyTorch深度学习实践例子importtorchimportnumpyasnpimportmatplotlib.pyplotasplt#样本数据x_data=[1.,2.,
机器学习的一个小白·2022-11-24 10:42

PyTorch深度学习实践之线性模型

课程地址：2.线性模型_哔哩哔哩_bilibili目录笔记评估模型（TrainingLoss)MSE（均方误差）代码体现对于ZIP的补充课后作业结果展示笔记过拟合是机械学习中巨大的问题过拟合→数据少训练多泛化→达到未训练的图片也能识别出评估模型（TrainingLoss)选取合适的权重达到mean值最小MSE（均方误差）代码体现1.保存样本（训练集）2.定义模型/损失函数3.准备空列表保存数值4.
Yory__·2022-11-24 10:09

【PyTorch】深度学习实战之线性模型

本文主要是参考B站刘二大人的视频讲解本文的主要内容是PyTorch深度学习实践的线性模型。
少年白马·2022-11-24 10:08

Pytorch深度学习实践（b站刘二大人）P5讲（用Pytorch实现线性回归 作业）

使用不同优化器训练模型，画出不同优化器的损失（loss）变化图像使用SGD优化器代码：importtorchimportmatplotlib.pyplotasplt#准备数据集x_data=torch.Tensor([[1.0],[2.0],[3.0]])y_data=torch.Tensor([[2.0],[4.0],[6.0]])#设计模型classLinearModel(torch.nn.M
努力学习的朱朱·2022-11-24 10:36

PyTorch深度学习实践（九）——卷积神经网络入门

文章目录0写在前面1卷积层2下采样3卷积和下采样4输出是十分类的问题5特征提取器6卷积层6.1单通道卷积6.2多通道卷积6.3卷积输出7卷积核的维度确定8局部感知域（过滤器）9卷积层代码实现10填充padding11定义模型12完整代码0写在前面在传统的神经网络中，我们会把输入层的节点与隐含层的所有节点相连。卷积神经网络中，采用“局部感知”的方法，即不再把输入层的每个节点都连接到隐含层的每一个神经
谜底是你_·2022-11-24 09:17

PyTorch深度学习实践——基于GoogleNet网络实现的手写数字识别

importtorchfromtorchvisionimporttransformsfromtorchvisionimportdatasetsfromtorch.utils.dataimportDataLoaderimporttorch.nn.functionalimporttorch.nn.functionalasFimporttorch.optimasoptimimportmatplotlib
不见当年灰太狼·2022-11-24 09:43

PyTorch 深度学习实践 第4讲

第4讲反向传播backpropagation源代码B站刘二大人，传送门PyTroch深度学习实践——反向传播如果需安装PyTorch，传送门PyTorch深度学习快速入门教程传送门Tensor和tensor
错错莫·2022-11-24 07:26

《PyTorch深度学习实践》完结合集--B站刘二大人学习总结

本篇主要是各类模型的基本介绍及应用，不涉及深层技术。学习视频指路→B站指路代码实践指路→代码指路课件获取：通过百度网盘分享的文件：PyTorch深…链接:https://pan.baidu.com/s/1iSY7LgEigOWUWEBLmN1j0A?pwd=ect0提取码:ect0复制这段内容打开「百度网盘APP即可获取」目录正文开始：1.Overview2.线性模型3.梯度下降算法4.反向传播5
木马苇·2022-11-24 07:53

【PyTorch】深度学习实践之 梯度下降Gradient Descent

本文目录梯度下降算法代码：结果：随机梯度下降SGD代码:结果：二者区别鞍点学习资料：系列文章索引梯度下降算法通过计算梯度就可以知道w的移动方向，应该让w向右走而不是向左走，也可以知道什么时候会到达最低点（梯度为0的地方）。此处引入一个学习率α，可以控制走的快慢，一般训练学习率α不能太大也不能太小，太小的话，可能导致迟迟走不到最低点，太大的话，会导致错过最低点！代码：importnumpyasnpi
zoetu·2022-11-23 13:07

《PyTorch深度学习实践》学习笔记：反向传播

文章目录一、反向传播二、代码练习三、课后练习总结一、反向传播前馈计算：权重维度增加：权重维度增加且增加多个层，但化简后还是线性的：增加激活函数，从而增加非线性：反向传播计算梯度，使用的是链式法则：Pytorch里面数据类型Tensor，有两个属性一个data，一个grad：w是Tensor(张量类型)，Tensor中包含data和grad，data和grad也是Tensor。grad初始为None
lizhuangabby·2022-11-23 08:18

PyTorch 深度学习实践

记录B站视频PyTorch深度学习实践的学习习题、以下为习题解答：PyTorch深度学习实践习题解答
tao_292·2022-11-23 03:10

PyTorch深度学习实践12——RNN基础

RNN主要处理具有序列关系的输入数据RNNcell：每个RNNcell的输入不仅有当前样本xi,还有前一个cell运算得到的结果hi-1为什么循环：因为RNNcell一直在循环使用，即权重参数一直在参与各个样本输入的运算RNNcell中的线性运算：如果用RNNcell来写，需要自己写循环不断通过RNNcell：importtorch"需要:初始化h0,输入序列"batch_size=1input_
UnFledged·2022-11-23 03:39
上一页 4 5 6 7 8 9 10 11 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他