随笔分类 - 深度学习与图数据代码问题
主要为课题任务服务，一些相关理论学习后的总结。
摘要：1. 卷积运算 卷积运算是一个改变（提取）特征的过程，无论从数值还是维度上均是如此。 原始数据特征经过卷积，输出任意维数的卷积后特征，这就是特征提取的过程。 1.1 基础的卷积运算 虽然卷积层得名于卷积（convolution）运算，但我们通常在卷积层中使用更加直观的互相关（cross-correl
阅读全文
摘要：一个成熟的，可以解决问题的模型应该分为两步： **模型搭建：**按照想法将模型搭建起来，使得模型可以正常运行。 **模型优化：**初生的模型效果往往很差，现在需要模型优化。 **对比试验：**针对性的设置对比试验，与经典方法比较。 1. 模型搭建 模型搭建可以很简陋，只求能基本实现想法，不要求精度问
阅读全文
摘要：1. Tensor张量 1.1 定义 Tensor是PyTorch中重要的数据结构，可认为是一个N维数组（array）。Pytorch中大量的计算是通过Tensor格式进行的。 张量分为 n阶（维）张量，与空间维度无关，说明的是数组的维度。 常见的2阶Tensor和3阶Tensor即 2维 和 3维
阅读全文
摘要：numpy pandas 更多详细链接：https://zhuanlan.zhihu.com/p/61013882
阅读全文
摘要：目的： 统一不同量纲下的数据，消除量纲的影响。 通过中心化和标准化处理，得到均值为0，标准差为1的服从标准正态分布的数据。 。。。 详细链接：https://blog.csdn.net/GoodShot/article/details/80373372
阅读全文
摘要：dummy variable是用0或1表示某个类别是否出现，常见于分类问题。 为什么要dummy化？ 若用数字1-12表示1-12月，那么就潜在表示了12月和1月差的很远，其实离的很近 若用离散数字表示一地域，假如用数字1-23表示23个省，那么数字潜在的意思是，相邻的数字代表的省比较相似，差距的数
阅读全文
摘要：自编码器是一个重构输入的过程：# 实现数据降维，即用较少的数据维度表达数据特征（15维输入-6维输出）。 数据降噪。 参考链接（原理）：https://zhuanlan.zhihu.com/p/82415579 参考链接（含代码）：https://blog.csdn.net/ccamelliatre
阅读全文
摘要：1. 数据降维 1.1 为什么要数据降维 1. 维度灾难： 很难有一个简洁的模型在高维空间中依旧具有鲁棒性，而随着模型复杂度的增加，为保证结果同样的精度和准确性，所需要的数据也需要极大增加，而高维空间的数据本身具备稀疏性，可想而知如果真要这么做，需要的数据是难以估计的。当然并不是所有的高维空间都不好
阅读全文
摘要：简而言之，yield是一个暂停器，包含yield的函数会默认视为generator，generator是一个生成器。 generator，是一个记录了方法的生成器，其并不会将结果输出，而是等调用的时候再算，以此节省内存。 yield是一个暂停器，方法执行到yield a 时会停下，输出值a，再次方法
阅读全文
摘要：1. Jupyter启动无法直接跳转到浏览器 https://zhuanlan.zhihu.com/p/409728896 2. Jupyter默认文件夹位置问题 step1:https://blog.csdn.net/limanjihe/article/details/106317245 step
阅读全文
摘要：1.pyplot绘图 1.1 pyplot绘制实时迭代图 代码如下示： import matplotlib.pyplot as plt ax = [] # 定义一个 x 轴的空列表用来接收动态的数据 ay = [] # 定义一个 y 轴的空列表用来接收动态的数据 plt.ion() # 开启一个画图
阅读全文
摘要：1. pytorch学习 tensor 张量 Tensor是PyTorch中重要的数据结构，可认为是一个高维数组。是深度学习计算的基础。 tensor的介绍链接：https://www.jianshu.com/p/314b6cfce1c3 Pytorch-Geometric 入门教程 torch-G
阅读全文
摘要：0. RUL问题的通常步骤 其步骤为： 数据处理（预处理与特征提取） 模型搭建 （搭建神经网络） 将处理好的数据送进模型（确保维度一致） 根据预测值与实际值计算评价指标。 需要解决明确的问题： 训练/预测 的对象是什么？ 数据选取的方式是什么？分层选取？逐次抽取？随机抽取？ 1. 数据处理 原始数据
阅读全文
摘要：1. Pytorch 和 PyG Pytorch和PyG是深度学习的python环境，后者用于图处理。其主要特点如下： ①需要与cuda（NVIDIA）配合，必须先装载cuda。 ②cuda,pytorch,pytorch_geometric三者之间版本依赖精密，必须属于同一套版本。 其安装顺序即
阅读全文
