10 2020 档案
摘要：先说一个小知识，助于理解代码中各个层之间维度是怎么变换的。 卷积函数：一般只用来改变输入数据的维度，例如3维到16维。 Conv2d() Conv2d(in_channels:int,out_channels:int,kernel_size:Union[int,tuple],stride=1,pad
阅读全文
摘要：先说一个小知识，助于理解代码中各个层之间维度是怎么变换的。 卷积函数：一般只用来改变输入数据的维度，例如3维到16维。 Conv2d() Conv2d(in_channels:int,out_channels:int,kernel_size:Union[int,tuple],stride=1,pad
阅读全文
摘要：C~K的难题：费马小定理+快速幂 Problem Description 众所周知 C~K 喜欢数学，但是他最近被一个题给难住了，题目是这样的。 要求 (A/B)%10007，但由于 A 很大，我们只给出 n (n = A%10007)（我们给定的A必能被B整除，且 gcd(B,10007) = 1
阅读全文
摘要：均方差损失函数mse_loss()与交叉熵损失函数cross_entropy() 1.均方差损失函数mse_loss() 均方差损失函数是预测数据和原始数据对应点误差的平方和的均值。 \[ MSE=\frac{1}{N}( y^`−y)^2 \] N为样本个数，y'为预测数值，y为正确数值。 代码实
阅读全文
摘要：1.Himmelblau函数 Himmelblau函数： F(x,y)=(x²+y-11)²+(x+y²-7)²：具体优化的是，寻找一个最合适的坐标(x,y)使得F(x,y)的值最小。 函数的具体图像，如下图所示： 实现代码 import numpy as np from matplotlib im
阅读全文
摘要：1.单层感知机 单层感知机的主要步骤： 1.对数据进行一个权重的累加求和，求得∑ 2.将∑经过一个激活函数Sigmoid，得出值O 3.再将O，经过一个损失函数mse_loss，得出值loss 4.根据loss，以及前边所求得的值，求得loss对各个w的偏导数 5.更新w值 # 单层感知机梯度的推导
阅读全文
摘要：1.激活函数 激活函数的作用是能够给神经网络加入一些非线性因素，使得神经网络可以更好地解决较为复杂的问题。因为很多问题都不是线性的，你只有给它加入一些非线性因素，就能够让问题更好的解决。 函数1：RELU()： 优点： 1.相比起Sigmoid和tanh，在SGD中能够快速收敛。 2.有效缓解了梯度
阅读全文
摘要：1.矩阵的分割 方法：split(分割长度,所分割的维度)，split([分割所占的百分比],所分割的维度) a=torch.rand(32,8) aa,bb=a.split(16,dim=0) print(aa.shape) print(bb.shape) cc,dd=a.split([20,12
阅读全文
摘要：1.矩阵的转置 方法：t() a=torch.randint(1,10,[2,3]) print(a,'\n') print(a.t()) 输出结果 tensor([[2, 8, 2], [9, 2, 4]]) tensor([[2, 9], [8, 2], [2, 4]]) transpose(维
阅读全文
摘要：数据本身不发生改变，数据的访问方式发生了改变 1.维度的扩展 函数：unsqueeze() # a是一个4维的 a = torch.randn(4, 3, 28, 28) print('a.shape\n', a.shape) print('\n维度扩展（变成5维的）：') print('第0维前加
阅读全文
摘要：1.基本概念 标量：就是一个数，是0维的，只有大小，没有方向 向量：是1*n的一列数，是1维的，有大小，也有方向 张量：是n*n的一堆数，是2维的，n个向量合并而成 2.a.size(),a.shape(),a.numel(),a.dim()的区别 a.size()：输出a的某一维度中元素的个数，若
阅读全文