摘要：
python有多个方法计算积分，下面介绍其中三个，以下式为例： 方法一：直接用numpy计算 start = 1 stop = 2 length = 101 x = np.linspace(start, stop, length) y = x**2 result = sum(y*(stop-star 阅读全文
摘要：
用PyTorch进行神经网络训练时，如果训练用的数据是图像数据，则需要在训练之前对图像进行预处理。以MNIST数据为例： train_data = torchvision.datasets.MNIST( root='./mnist/', train=True, transform=torchvisi 阅读全文
摘要：
.add()和.add_() .add()和.add_()都能把两个张量加起来，但.add_是in-place操作，比如x.add_(y)，x+y的结果会存储到原来的x中。Torch里面所有带"_"的操作，都是in-place的。 .mul()和.mul_() x.mul(y)或x.mul_(y)实 阅读全文
摘要：
总结：pytorch和numpy中，星号*都表示矩阵点对点相乘；matmul都表示矩阵乘法。 PyTorch中，a.mul(b)表示矩阵a和b点对点乘（即相同位置的元素相乘），‘*’也表示矩阵点对点相乘。a.mm(b)表示矩阵乘法。另外torch.matmul(a, b)也可以表示a和b的矩阵乘积。 阅读全文
摘要：
PyTorch中的常用的tensor类型 PyTorch中的常用的tensor类型包括： 32位浮点型torch.FloatTensor， 64位浮点型torch.DoubleTensor， 16位整型torch.ShortTensor， 32位整型torch.IntTensor， 64位整型tor 阅读全文
摘要：
自动编码器包括编码器(Encoder)和解码器(Decoder)两部分，编码器和解码器都可以是任意的模型，目前神经网络模型用的较多。输入的数据经过神经网络降维到一个编码(coder)，然后又通过一个神经网络去解码得到一个与原输入数据一模一样的生成数据，然后通过比较这两个数据，最小化它们之间的差异来训 阅读全文
摘要：
这篇知乎文章 使用Matplotlib画动态图实例 介绍的挺好的，精彩内容截图如下： 在训练神经网络时，我们常常希望在图中看到loss减小的动态过程，这时我们可用plt.ion()函数打开交互式模式，在交互式模式下可动态地展示图像。 例一：动态画图 import matplotlib.pyplot 阅读全文
摘要：
在上一篇博客中，我们实现了用LSTM对单词进行词性判断，本篇博客我们将实现用LSTM对MNIST图片分类。MNIST图片的大小为28*28，我们将其看成长度为28的序列，序列中的每个数据的维度是28，这样我们就可以把它变成一个序列数据了。代码如下，代码中的模型搭建参考了文末的参考资料[1]，其余部分 阅读全文
摘要：
astype用于数据类型转换。astype不会in place地改变一个ndarray，换句话说，每次使用astype，都会产生一个新的数组。 dtype用于查看数组中的元素的数据类型 阅读全文
摘要：
本文将使用LSTM来判别一句话中每一个单词的词性。在一句话中，如果我们孤立地看某一个单词，比如单词book，而不看book前面的单词，就不能准确的判断book在这句话中是动词还是名词，但如果我们能记住book前面出现的单词，那么就能很有把握地判断book的词性。LSTM神经网络就能记住前面的单词。关 阅读全文