随笔分类 - 《动手学深度学习 Pytorch版》学习笔记
摘要：层： 接收一组输入 生成相应输出 由一组可调整参数描述 块： 可以描述单个层、由多个层组成的组件或整个模型本身 讨论“比单个层大”但是“比整个模型小”的组件“块”更有价值 从编程的角度看，块由类表示 块必须具有反向传播函数 # 以前章多层感知机的代码为例 import torch from torc
阅读全文
摘要：# 4.10.1 下载和缓存数据集 ```python import hashlib import os import tarfile import zipfile import requests #@save DATA_HUB = dict() DATA_URL = 'http://d2l-dat
阅读全文
摘要：# 4.9.1 分布偏移的类型 整节理论，详见书本。 # 4.9.2 分布偏移示例 整节理论，详见书本。 # 4.9.3 分布偏移纠正 整节理论，详见书本。 # 4.9.4 学习问题的分类法 整节理论，详见书本。 # 4.9.5 机器学习中的公平、责任和透明度 整节理论，详见书本。 # 练习 （1）
阅读全文
摘要：# 4.8.1 梯度消失和梯度爆炸 整节理论，详见书本。 1. 梯度消失 ```python %matplotlib inline import torch from d2l import torch as d2l x = torch.arange(-8.0, 8.0, 0.1, requires_
阅读全文
摘要：# 4.7.1 前向传播 整节理论，详见书本。 # 4.7.2 前向传播计算图 整节理论，详见书本。 # 4.7.3 反向传播 整节理论，详见书本。 # 4.7.4 训练神经网络 整节理论，详见书本。 # 练习 （1）假设一些标量函数 的输入 是 矩阵。
阅读全文
摘要：```python import torch from torch import nn from d2l import torch as d2l ``` # 4.6.1 重新审视过拟合 整节理论，详见书本。 # 4.6.2 扰动的稳健性 整节理论，详见书本。 # 4.6.3 实践中的暂退法 整节理论
阅读全文
摘要：# 4.5.1 范数与权重衰减 整节理论，详见书本。 # 4.5.2 高维线性回归 ```python %matplotlib inline import torch from torch import nn from d2l import torch as d2l ``` ```python #
阅读全文
摘要：# 4.4.1 训练误差和泛化误差 整节理论，详见书本。 # 4.4.2 模型选择 整节理论，详见书本。 # 4.4.3 欠拟合还是过拟合 整节理论，详见书本。 # 4.4.4 多项回归 ```python import math import numpy as np import torch fr
阅读全文
摘要：```python import torch from torch import nn from d2l import torch as d2l ``` # 模型 ```python net = nn.Sequential(nn.Flatten(), nn.Linear(784, 256), nn.
阅读全文
摘要：```python import torch from torch import nn from d2l import torch as d2l # 经典数据集与batch size batch_size = 256 train_iter, test_iter = d2l.load_data_fas
阅读全文
摘要：```python %matplotlib inline import torch from d2l import torch as d2l ``` # 4.1.1 隐藏层 整节理论，详见书本。 以下展示常见的激活函数。 1. ReLU 函数 $$ \mathrm{ReLU}(x)=\max(x,0
阅读全文
摘要：```python import torch from torch import nn from d2l import torch as d2l batch_size = 256 # 保持批量大小为 256 train_iter, test_iter = d2l.load_data_fashion_
阅读全文
摘要：```python import torch from IPython import display from d2l import torch as d2l batch_size = 256 # batch_size 设为256 train_iter, test_iter = d2l.load_d
阅读全文
摘要：```python %matplotlib inline import torch import torchvision from torch.utils import data from torchvision import transforms from d2l import torch as
阅读全文
摘要：# 3.4.1 分类问题 整节理论知识，详见书本。 # 3.4.2 网络架构 整节理论知识，详见书本。 # 3.4.3 全连接层的参数开销 整节理论知识，详见书本。 # 3.4.4 softmax运算 整节理论知识，详见书本。 # 3.4.5 小批量样本的向量化 整节理论知识，详见书本。 # 3.4
阅读全文
摘要：```python import numpy as np import torch from torch.utils import data from d2l import torch as d2l from torch import nn # nn 是神经网络（Neural Networks）的缩
阅读全文
摘要：```python %matplotlib inline import random import torch from d2l import torch as d2l ``` # 3.2.1 生成数据集 为了简单起见，使用易于可视化的低维数据。使用线性模型 $\boldsymbol{y}=\bol
阅读全文
摘要：# 3.1.1 线性回归的基本元素 整节理论知识，详见书本。 # 3.1.2 向量加速化 ```python %matplotlib inline import math import time import numpy as np import torch from d2l import torc
阅读全文
摘要：# 2.7.1 查找模块中的所有函数和类 ```python import torch ``` 可以调用 dir 函数查询函数中有哪些模块和类。 以 “__”（双下划线） 开始和结束的函数是 Python 中的特殊对象，以 “_”（单下划线）开始的函数是内部函数，通常以上两种函数可以忽略。 ```p
阅读全文
摘要：# 2.6.1 基本概率论 ```python %matplotlib inline import torch from torch.distributions import multinomial from d2l import torch as d2l ``` 先说几个统计学中的名词： - 抽样
阅读全文
