多一点

摘要： 字母名称 大写 markdown原文 小写 markdown原文alpha A A α \alphabeta B B β \betagamma Γ \Gamma γ \gammadelta Δ \Delta δ \deltaepsilon E E ϵ \epsilonε \varepsilonzet 阅读全文

摘要： <! TOC "多层感知机的简洁实现" "定义模型" "读取数据并训练数据" "损失函数" "定义优化算法" "小结" <! /TOC 多层感知机的简洁实现 定义模型 读取数据 损失函数 定义优化算法 训练数据并验证测试集 epoch 1, loss 0.0031, train acc 0.707, 阅读全文

摘要： <! TOC "多层感知机" "定义模型的参数" "定义激活函数" "定义模型" "定义损失函数" "训练模型" "小结" <! /TOC 多层感知机 我们仍然使用Fashion_MNIST数据集，使用多层感知机对图像进行分类 定义模型的参数 Fashion_MNIST数据集汇总的图形的形状为28x 阅读全文

摘要： <! TOC "多层感知机" "隐藏层" "激活函数" "小结" <! /TOC 多层感知机 之前已经介绍过了线性回归和softmax回归在内的单层神经网络，然后深度学习主要学习多层模型，后续将以多层感知机(multilayer percetron,MLP),介绍多层神经网络的概念。 隐藏层 多层感 阅读全文

摘要： <! TOC "定义和初始化模型" "softamx和交叉熵损失函数" "定义优化算法" "训练模型" <! /TOC 定义和初始化模型 softmax的输出层是一个全连接层，所以我们使用一个线性模块就可以，因为前面我们数据返回的每个batch的样本X的形状为(batch_size,1,28,28) 阅读全文

摘要： <! TOC "获取和读取数据" "初始化模型参数" "实现softmax运算" "定义模型" "定义损失函数" "计算分类准确率" "训练模型" "小结" <! /TOC 获取和读取数据 我们将使用Fahsion_MNIST数据集，并设置批量大小为256 初始化模型参数 与线性回归中的例子一样，我 阅读全文

摘要： <! TOC "获取数据集" "读取小批量样本" "小结" <! /TOC 本节将使用torchvision包，它是服务于pytorch深度学习框架的，主要用来构建计算机视觉模型。 torchvision主要由以下几个部分构成： 1. torchvision.datasets:一些加载数据的函数以及 阅读全文

摘要： <! TOC "softmax回归" "softmax 回归模型" "单样本分类的矢量计算表达式" "小批量样本分类的矢量计算表达式" "交叉熵损失函数" "模型预测以及评价" "小结" <! /TOC softmax回归 前几节介绍的是线性回归模型适用于输出连续值的情况，在另外一类情况下，模型输出 阅读全文

摘要： <! TOC "导入同样导入之前的包或者模块" "生成数据集" "通过pytorch读取数据" "定义模型" "初始化模型" "定义损失函数" "定义优化算法" "训练模型" "小结" <! /TOC 本节利用pytorch中的模块，生成一个更加简洁的代码来实现同样的功能 导入同样导入之前的包或者模 阅读全文

摘要： <! TOC "生成数据集" "读取数据" "初始化模型参数" "定义模型" "定义损失函数" "定义优化算法" "训练模型" <! /TOC 在了解了线性回归的背景知识之后，我们可以动手实现该算法了。尽管强大的深度学习框架可以减少大量重复性工作，但是过于依赖它提供的便利，会导致我们很难深入理解深度 阅读全文