摘要：
1. 安装包直接安装 2. 配置环境变量 GOPARH: 新建的，用来存放go下载的依赖的 GOROOT: 你安装go的目录 3. 创建文件目录 在GOPATH地址下面，创建3个文件夹 阅读全文
摘要：
numpy.mean() import numpy as np a = np.array([[1,2,3],[3,4,5],[4,5,6]])print (a)print (np.mean(a))print (np.mean(a, axis = 0))print (np.mean(a, axis = 阅读全文
摘要：
ndarray.ndim - 数组的维度： import numpy as np # 创建一个一维数组 arr_1d = np.array([1, 2, 3]) print("数组:", arr_1d) print("数组的维度:", arr_1d.ndim) 数组: [1 2 3] 数组的维度: 阅读全文
摘要：
就是数据类型的区别 但是功能却大不一样 NumPy数组提供了丰富的数学、统计和数组操作，如求和、平均值、最小值、最大值等。在二维数据，max降维。 Python列表提供了一些基本的列表操作，但没有NumPy数组提供的广泛数学和科学计算功能 一维的numpy，来求平均值 import numpy as 阅读全文
摘要：
一维 # 使用列表创建一维数组 my_list = [1, 2, 3, 4, 5] # 将列表转换为NumPy数组 my_array = np.array(my_list) [1 2 3 4 5]<class 'numpy.ndarray'> 二维 # 二维数组，3行4列 arr_2d = np.a 阅读全文
摘要：
自然语言处理领域中，"embedding"（嵌入）通常指将高维的数据映射到低维空间的过程。在自然语言处理中，最常见的是词嵌入（word embeddings） 词袋模型，词嵌入等等等等。都需要构建词汇表，个人能力是很有限，根本不可能构建一个效果好的。所以我不使用这些 小型效果也不好，得到96维度的向 阅读全文
摘要：
二维张量（矩阵）: 假设你有一个形状为 [m, n] 的二维张量（可以想象成一个矩阵，有 m 行和 n 列）： dim=0 指的是行的方向（从上到下）。如果你在一个函数中指定 dim=0，那么操作将沿着每一列进行，对每一列中的行元素进行处理。 dim=1 指的是列的方向（从左到右）。如果你在一个函数 阅读全文
摘要：
将张量从GPU移到CPU上 import torch # 创建一个张量并将其放在GPU上 tensor_gpu = torch.randn((3, 3)).cuda() # 将张量从GPU移动到CPU tensor_cpu = tensor_gpu.cpu() 阅读全文
摘要：
在深度学习中，通常使用自动微分（Autograd）来计算梯度，以便进行反向传播和优化。 在这个过程中，PyTorch会构建一个计算图，用于跟踪张量之间的计算关系。这个计算图是由各个张量之间的运算所构成的，以便在进行反向传播时计算梯度。 .detach()方法的作用是创建一个新的张量，与原始张量共享相 阅读全文
摘要：
张量的梯度信息 张量的梯度信息是指张量相对于某个或多个变量的导数。梯度表示了函数在某一点的变化率，它是一个向量，其中每个元素对应于函数相对于输入变量的偏导数 在深度学习中，我们通常使用梯度来更新模型参数，以便最小化或最大化某个损失函数。梯度下降是一种常见的优化算法，它使用梯度信息来沿着损失函数的负梯 阅读全文