随笔分类 - 机器学习
摘要：本篇是摘抄pytorch-handbook里面的，有兴趣可以看看。 损失函数(Loss Function) 损失函数（loss function）是用来估量模型的预测值(我们例子中的output)与真实值（例子中的y_train）的不一致程度，它是一个非负实值函数，损失函数越小，模型的鲁棒性就越好。
阅读全文
摘要：import torch x = torch.rand(2,2) x1 = x.numpy() # torch转换到numpy x2 = torch.from_numpy(x1) #numpy转换torch print("\n torch_x:\n",x, "\n numpy_x1:\n",x1,
阅读全文
摘要：官方文档 首先我们要知道，lmplot是用来绘制回归图的。 让我们来看看他的API： seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=None, height=5, aspect=1, m
阅读全文
摘要：看了一篇博客，感觉写的很棒：PyTorch 的 Autograd
阅读全文
摘要：运行这段代码 import torch import numpy as np import matplotlib.pyplot as plt x = torch.ones(2,2,requires_grad=True) print('x:\n',x) y = torch.eye(2,2,requir
阅读全文
摘要：output = torch.max(input, dim) input输入的是一个tensor dim是max函数索引的维度0/1，0是每列的最大值，1是每行的最大值 实例： import torch import numpy as np import matplotlib.pyplot as p
阅读全文
摘要：本篇借鉴了这篇文章，如果有兴趣，大家可以看看：https://blog.csdn.net/geter_CS/article/details/84857220 1、交叉熵：交叉熵主要是用来判定实际的输出与期望的输出的接近程度 2、CrossEntropyLoss()损失函数结合了nn.LogSoftm
阅读全文
摘要：看pytorch中文文档摘抄的笔记。 class torch.optim.SGD(params, lr=, momentum=0, dampening=0, weight_decay=0, nesterov=False)[source] 实现随机梯度下降算法（momentum可选）。 Nestero
阅读全文
摘要：import torch x = torch.randn(3, requires_grad=True) y = x*2 print(y.data.norm()) print(torch.sqrt(torch.sum(torch.pow(y,2)))) #其实就是对y张量L2范数，先对y中每一项取平方
阅读全文
摘要：学习数据酷客做的笔记，懒得自己打字，就截屏记录一下，方便以后回顾。
阅读全文
摘要：1、机器学习最重要的任务就是根据已有的一系列证据（例如训练样本）来对未知变量（例如类别标记）进行估计和推测。2、概率图分为两类： 1）、使用有向无环图表示变量间的依赖关系，称为有向图模型或贝叶斯网（Bayesian network）。 2）、使用无向图表示变量间的相互关系，称为无向图模型或马尔可夫网
阅读全文
摘要：1、贝叶斯决策理论（Bayesian decision theory）是概率框架下实施决策的基本方法。2、欲使用贝叶斯判定准则来最小化决策风险，首先要获得后验概率P。3、极大似然估计（Maximum Likelihood Estimation，简称MLE）是根据数据采样来估计概率分布参数的经典算法。
阅读全文
摘要：1、支持向量（support vector）:就是距离超平面最近的几个训练样本点使得满足某方程式的成立。个人理解就是超平面一侧的点（距离最近）与超平面另外一侧的点（距离最近）其绝对值是相等的。而这个方程式有两个关键量：w=（w1,w2..）法向量、b位移项。2、二次规划（Quadratic Prog
阅读全文
摘要：sklearn.datasets.make_blobs(n_samples=100, n_features=2, centers=3, cluster_std=1.0, center_box=(-10.0, 10.0), shuffle=True, random_state=None) 属性含义：
阅读全文