链接：官方文档 安装 Miniconda 最简单的方法就是安装依赖Python 3.x的Miniconda。 如果已安装conda，则可以跳过以下步骤。 如果你使用Linux，假设你的Python版本是3.8（我们的测试版本），你将下载名称包含字符串“Linux”的bash脚本，并执行以下操作： # 文件名可能会更改 sh Miniconda3-p
数据重构 心得：通过对task3的学习，我学会了如何对表格进行按行合并和按列合并生成一个新的表格，主要有concat 方法（行列均可），join（行），merge（行）和append（列），然后就是对数据进行分组计算，用的的主要方法是groupby，与数据库是类似的，之后就可以按照分组类型进行各种计算了。 2.4数据的合并 1.
2.4 数据的合并 2.4.1 将data文件夹里面的所有数据都载入，与之前的原始数据相比，观察他们的之间的关系 text_left_up = pd.read_csv("data/train-left-up.csv") text_left_down = pd.read_csv("data/train-left-down.csv") text_right_up = pd.read_csv("data/train-right-up.csv"
课程现分为三个单元，大致可以分为：数据基础操作，数据清洗与重构，建模和评估。 1 第一章：数据载入及初步观察 第一部分：我们获得一个要分析的数据，我要学会如何加载数据，查看数据，然后学习Pandas的一些基础操作，最后开始尝试探索性的数据分析。 1 第一章：数据加载 1.1载入数据 import numpy
public static void main(String[] args) { int x = 100; int y = 200; System.out.println("x+y=" + x + y); System.out.println(x + y + "=x+y"); } java中的“+”区别于c语言中的，不同写法有不同效果
机器学习：监督学习、非监督学习、强化学习 监督学习：回归、分类 监督学习： 目标是生成一个模型，能够将任何输入特征映射到标签，即预测。举一个具体的例子。 假设我们需要预测患者是否会心脏病发作，那么观察结果“心脏病发作”或“心脏病没有发作”将是我们的标签。 输入特征可能是生
#学自深度学习5.1章 在二维互相关运算中，卷积窗口从输入数组的最左上方开始，按从左往右、从上往下的顺序，依次在输入数组上滑动。当卷积窗口滑动到某一位置时，窗口中的输入子数组与核数组按元素相乘并求和，得到输出数组中相应位置的元素。图5.1中的输出数组高和宽分别为2，其中的4
学一门新技术，牢固掌握，不动手是不行的，走马观花式的学，只是皮毛，过一段时间全部忘记，虚假的努力，把时间浪费了，也没学到东西。学技术得实际动手，踩坑避难，虽然慢，但是能够真正掌握。古人的话还是非常有道理的，今后学技术还是要扎实来，不怕慢，就怕不进步，荒废。接下来要学习的技术罗列下： red
Java流学习，读取文件并按要求输出 阶段一：按由大到小的顺序输出每个字母出现的次数和概率 阶段二：由大到小输出前N个单词出现的次数和概率 阶段三：输出单词出现的次数和概率不包括“a" "the" "of" import java.io.BufferedReader; import java.io.FileReader; import java.io.IOExcep
import torch X=torch.arange(12,dtype=torch.float32).reshape((3,4)) Y=torch.tensor([[2.0,1,4,3],[1,2,3,4],[4,3,2,1]]) print(X,Y,torch.cat((X,Y),dim=0),torch.cat((X,Y),dim=1),sep='\n') print(torch.arange(6),torch.arange(6).reshape(2,3),sep='
1.方法如下：package test; import java.util.*;public class Test { public static void main(String [] args) { long a=996; long b=4215; long c=47889; for(int i=0;i<1000;i++) { System.out.println(random(a,b,c,i)); } }
目录自注意力代码QA 自注意力 在介绍transformer之前，先讲一个比价重要的东西=》 self-attention。self-attention其实没有什么特殊的地方，主要就是key，value，query到底要怎么选择，自注意力机制有自己的一套选法。 CNN，RNN，self-attention都可以用来处理序列。 CNN要实现序列处理，其实
在安装深度学习框架之前，请先检查你的计算机上是否有可用的 GPU（在笔记本电脑上为显示器提供输出的GPU不算）。如果要在 GPU 机器上安装，请继续在 GPU 支持 获取有关安装GPU支持版本的说明。 或者，你可以按照如下方法安装CPU版本。这将足够帮助你完成前几章，但你需要在运行更大模型之
目录从零实现简洁实现QA 就是一个小批量的数据，如果你有4张卡，那么这个批量的数据就可以分成4份。比如有100个样本，那么每张卡拿到25个样本，然后去计算梯度，最后再把梯度加起来做更新，这个就是多GPU的训练。 从零实现 理论而言，并行计算得到的结果应该是一样的。 两次结果不一样是因为存
安装d2l需要的环境 Anaconda 去anaconda的官网下载即可。 在Win的话可以很方便的使用其可视化界面：anaconda-navigator Anaconda | Individual Edition 下载pytorch 最好是一步到位的直接装GPU版本。 地址在这里：Start Locally | PyTorch 在此之前，先根据自己的GPU和驱动版本安装CUD
以下均在linux中执行，建议学习的同学都选择ununtu18.0以上版本OS。 1.minicanda的安装： wget https://repo.anaconda.com/miniconda/Miniconda3-py38_4.10.3-Linux-x86_64.sh 下载下来的是sh文件； 2.bash命令运行sh文件，进入安装命令行： bash Miniconda3-py38_4.10.3-Linu
目录池化层代码实现QA 池化层 卷积层对于位置是非常敏感的！ 这里用检测垂直边缘作为例子，有的时候卷积对位置太敏感也不是好事，比如拍照的时候手抖之类的，边缘就不会那么整齐，所以有时候我们是需要一定程度的平移不变形的。 池化操作也是使用滑动窗口来取值。 上面实际上是没有padd
建模和评估的基本流程： 读入数据集 特征工程 分割训练集和测试集
目录丢弃法代码实现QA 丢弃法 dropout可能会比之前讲的权重衰退效果更好，应用于防止模型过拟合。 像上图，不管加入多少个点，都要让图片是可以看清的。 使用有噪音的数据，就等价于一个叫做T正则。（正则就是是的权重的值不要太大，避免模型过拟合） 在数据中加入噪音，等价于一个正则。跟之前
目录模型选择过拟合和欠拟合QA 模型选择 我们其实关心的是泛化误差，并不太关心训练误差。 训练误差：模拟考试成绩。 泛化误差：真实考试成绩。 所以我们会来计算我们训练误差和泛化误差呢？一般会有两种数据集，一个叫做验证集，一个叫做测试集。 一个常犯的错误：验证集和训练集混在一起。
目录Softmax回归损失函数图片分类数据集Softmax回归从零开始实现Softmax回归简洁实现QA Softmax回归 首先简单理解softmax：就是将一个回归值转换成一个概率（也就是把一个实数，定在[0,1.]中） Softmax回归名字叫做回归，但其实是一个分类问题。（基本是个老师都会重复讲这句话） 分类和
ssh rowrycho@ip_address # ssh连接服务器 sudo apt update # 更新一下 sudo apt install build-essential # 安装基础C/Cpp编译环境 wget miniconda安装包链接 bash xxx.sh # 安装miniconda的环境 # 创建一个虚拟环境 conda create -n -y d2l-zh python=3.8 pip conda activat
文章目录 多层感知机从线性到非线性激活函数ReLU函数sigmoid函数tanh函数 模型选择、欠拟合和过拟合训练误差和泛化误差统计学习理论模型复杂性 模型选择验证集 K
文章目录 线性回归线性模型损失函数解析解小批量随机梯度下降 softmax回归网络结构softmax运算损失函数对数似然softmax及其导数信息论基础熵交叉熵 总结 线性回归 回归（regression）是指一类为一个或多个自变量与因变量之间关系建模的方法。在自然科学和社会科学领域，回归
TCPIP 和开放系统互连（OSI）模型 本节先简单介绍互联网的发展史，然后讲解 TCPIP 和开放系统互连（OSI）模型，最后会介绍一下用户态协议栈的整体框架。 计算机互联网发展史 最开始的时候计算机是单独运算的，一般有一个大型主机放在那里，然后可以多个终端连接一个主机进行操作。那时候美国
