发量不减

摘要： 行是样本，列是feather特征： 激活函数： 损失函数和优化器： 写代码步骤： np.loadtxt()方法： numpy.loadtxt(fname, dtype=float, comments='#', delimiter=None, converters=None, skiprows=0, 阅读全文

摘要： 注意torch.Tensor()和torch.tensor()的区别 点击查看代码 import torch import torch.nn.functional as F x_data = torch.Tensor([[1.0], [2.0], [3.0]]) y_data = torch.Ten 阅读全文

摘要： 下面是损失函数 下面是优化器 下面通过model.parameters()可以获得model中所有的参数 点击查看代码 import torch from torch import device x_data = torch.tensor([[1.0], [2.0], [3.0]]) y_data 阅读全文

摘要： 从这张图片，可以看出。不管我们有多少层，都可以化简成最简形式。我们添加的层就没有意义。 所以我们要对每一层的输出做非线性变换，增加模型的复杂程度，使它没法化简 反向传播的流程 pytorch的tensor数据结构 看到代码，要能把计算图构建出来，而不是简单的乘除运算 在上面这张图，w是tensor数 阅读全文

摘要： 随机梯度下降可以跨越鞍点 对每一个样本的梯度进行更新 点击查看代码 import numpy as np import matplotlib.pyplot as plt x_data = [1.0, 2.0, 3.0] y_data = [2.0, 4.0, 6.0] w = 1.0 def for 阅读全文

摘要： 梯度下降算法只能保证找到的是局部最优，不是全局最优 平常我们经过大量实验，发现局部最优点不是很多，所以可以使用梯度下降算法。 但是还要提防鞍点 下面进行实现梯度下降算法 点击查看代码 import numpy as np import matplotlib.pyplot as plt x_data 阅读全文

摘要： 学习参考视频是B站刘二大人：https://www.bilibili.com/video/BV1Y7411d7Ys/?p=1&vd_source=7251363c91f375c2f19fef8bb1beab83 1、一般监督学习的步骤：准备数据集 -> 选择模型 -> 训练 -> 应用 2、数据集划 阅读全文

摘要： 使用了stringstream流 getline函数，它有两种形式，一种是头文件< istream >中输入流成员函数；一种在头文件< string >中普通函数； #include<iostream> #include<string> #include<sstream> #include<vect 阅读全文

摘要： 只需要使用map<string,int>即可。 对于新输入的string，通过map.find或者map.count判断是否在map中，若在，让key++，否则设置key=1 注意map的插入操作 //重复局面 //试统计每个局面分别是第几次出现。 #include<iostream> #inclu 阅读全文

摘要： 动态规划问题 问题划分为n个小问题 若偷第n家，则偷的最大金额为前n-2家的最大金额加上第n家的金额 若不偷第n家，则偷的最大金额为前n-1家的最大金额 即dp[i] = max(dp[i-2]+num[i], dp[i-1]) 其中dp[0]表示只有一间房屋，则dp[0] = num[0] dp[ 阅读全文