摘要:
如何使用torch, torchvision等库写代码、训练模型。适合对象:初学者,预先学习过基础的理论知识,有阅读代码或LLM辅助写过简单模型代码的经历,想要训练自己模型代码能力 阅读全文
如何使用torch, torchvision等库写代码、训练模型。适合对象:初学者,预先学习过基础的理论知识,有阅读代码或LLM辅助写过简单模型代码的经历,想要训练自己模型代码能力 阅读全文
posted @ 2026-01-31 15:40
Gokix
阅读(3)
评论(0)
推荐(0)

https://zh-v2.d2l.ai/
《动手学深度学习》第二版
能运行、可讨论的深度学习教科书
初学者学习理论的教程
一级标题 兄弟你好,我是字 二级标题 兄弟你好,我是字 三级标题 兄弟你好,我是字 四级标题 兄弟你好,我是字 五级标题 六级标题 文字测试 粗体 斜体 删除线 \(a^2+b^2=c^2\) \[a \times b=c \]<img src="your_url.png" style="width
安乐椅系列 收集Gokix平时学习中遇到的一些比较有趣的点。 1. 卡尔松不等式 多元柯西不等式。 2. 抛物线准线梯形 复杂的模型,在部分中也看得出来吗? 3. 拉尔瓦定理 圆锥曲线中一个有趣的小定理。 4. 拉格朗日乘数法 解决最值问题的底牌。 5. 一种利用二次曲线系证定点的方法 震撼。 6.
ML Beginners Should Read Papers
Exercise: Classification problem using the MNIST dataset import torch import torch.nn as nn import torch.nn.functional as F import torch.optim as opti
Brooks 定理 对于简单连通图 G,若 G 既不是完全图,也不是奇回路,则 \(\chi(G) \le \delta(G)\);否则有 \(\chi(G) = \delta(G) + 1\) 。其中 \(\chi(G)\) 是 G 的最小点正常着色数,\(\delta(G)\) 是 G 的最大点
/> フ
| _ _ l
/` ミ_꒳ノ
/ |
/ ヽ ノ
│ | | |
/ ̄| | | |
| ( ̄ヽ__ヽ_)__)
\二つ
拉普拉斯矩阵 以下讨论均针对简单无向图。 前置知识 度矩阵 图的度矩阵 \(\operatorname{D}\) 定义为:一个对角阵,\(D_{ii}\)表示\(i\)号节点的度。 邻接矩阵 图的邻接矩阵 \(\operatorname{A}\) 定义为:若存在\(i\)号节点指向\(j\)号节点的
stl_deque.h // Deque implementation -*- C++ -*- // Copyright (C) 2001-2014 Free Software Foundation, Inc. // // This file is part of the GNU ISO C++ L
表达式 双曲函数 \(\operatorname{sh} x = \dfrac{e^{x}-e^{-x}}{2}\) \(\operatorname{ch} x = \dfrac{e^{x}+e^{-x}}{2}\) \(\operatorname{th} x = \dfrac{e^{x}-e^{-
Taylor 公式 带 Peano 余项的 Taylor 公式 设 \(f(x)\) 在 \(x_0\) 处 \(n\) 阶可导,则在 \(x_0\) 的一个邻域中,对于该邻域中的 \(\forall x\) 成立: \[f(x)=f(x_0)+f^\prime(x_0)(x-x_0)+\dfrac
\(\int x^{\alpha} \; \mathrm{d}x = \dfrac{x^{\alpha+1}}{\alpha+1}+C \space (\alpha \ne -1)\) \(\int \dfrac{1}{x} \; \mathrm{d}x = \ln x+C \space\) $\i
平移、旋转和镜像变换
如何求 \(f(x)=x^x\) 的导数? 整体思路:通过构造对数幂底数改为不含元的 \(e\),同时利用指数上的对数将 \(x\) 次幂落入真数中从而得到易导的式子。 \[f^\prime(x)=(x^x)^\prime={({(e^{\ln x})}^x)}^\prime={(e^{x \ln
平面的方程 点法式方程 给定平面上一点 \(M_0(x_0,y_0,z_0)\) 和该平面一法向量 \(\vec{n}=(a,b,c)\),则平面上任意一点 \(M(x,y,z)\) 均满足 \(\overrightarrow{M_0M} \perp \vec{n}\) 即: \[a(x-x_0)+
图像 \(f(x)=\arcsin(x)\) \(f(x)=\arccos(x)\) \(f(x)=\arctan(x)\) \(f(x)=\operatorname{arccot}(x)\) \(f(x)=\operatorname{arcsec}(x)\) \(f(x)=\operatornam
浙公网安备 33010602011771号