摘要：每次进行数据训练时，如果数据集过多不适合把整个数据打包进行训练，那么这种时候就需要把训练数据分批进行训练。 设置数据： x = torch.linspace(1, 10, 10) # x data (torch tensor) y = torch.linspace(10, 1, 10) # y da 阅读全文

摘要：一般来说，神经网络是用来训练数据，做实验等等，但每次关闭神经网络或者关机后，训练好的结果等都自动清除，为了解决这一问题，需要对神经网络训练后的结果进行保存、提取。 一、保存神经网络 搭建神经网络、训练数据、优化等操作都需要在save()函数中进行，代码如下： def save(): #快速搭建 ne 阅读全文

摘要：快速搭建 无论是搭建回归类型的神经网络也好，分类类型的也罢，都是通过 class Net(torch.nn.Module) 搭建，本文介绍另一种搭建方法，这种方法可以更快速的搭建net 。 #快速搭建 net = torch.nn.Sequential( torch.nn.Linear(2, 10) 阅读全文

摘要：关系拟合（分类） 一、建立数据集 import torch from torch.autograd import Variable import torch.nn.functional as F import matplotlib.pyplot as plt # make fake data n_d 阅读全文

摘要：关系拟合（回归） 一、建立数据集 import torch import torch.nn.functional as F # 激励函数都在这 import matplotlib.pyplot as plt #unsqueeze把一维数据转换为二维数据，因为torch只会处理二维数据 x = tor 阅读全文

摘要：一、感知机 给定输入x，权重w，偏移b，感知机输出为： 本质上，感知机就是一个二分类问题，与线性回归相比，线性回归输出实数，而这里输出一个离散类；与softmax回归相比，softmax是个多分类问题，输出概率，而这里只是一个二分类问题。 二、训练感知机 最初对感知机的训练： initialize 阅读全文

摘要：交叉熵损失函数（Cross Entropy） 一般来说，Cross Entropy损失函数常用于分类问题中，十分有效。 说到分类问题，与之相关的还有回归问题，简述两者区别： 回归问题，目标是找到最优拟合，用于预测连续值，一般以区间的形式输出，如预测价格在哪个范围、比赛可能胜利的场数等。其中，y_ha 阅读全文