深度学习基础-红色石头

待学习

Anaconda和jupyter notebook
plt.legend()

一、python基础知识

已学习：

基础知识
Numpy矩阵运算
Matplotlib绘图

列表：
同一列表可以使不同数据类型
索引-1代表倒数第一个元素
a[0:3]包含a[0]、a[1]、a[2],冒号右边是结束索引，不包含在切片内
类：

 class 类名：def _init_(self,参数,...):初始化方法def 方法名(self,参数)：

Numpy:
深度学习神经网络有大量的矩阵相乘运算，使用numpy大大提高效率。
1、np.arrary()生成数组，加减乘除完成运输，索引和切片来访问和修改。用np.dot()进行矩阵的点乘运算。
2、广播机制：形状不同的数组做运算需要广播机制
维度不同，对小的数组扩展
某个维度长度一样是相容的，就可以使用广播机制
采用复制数组方法扩展数组
Matplotlib:

 #导入库函数
import numpy as np
import matplotlib.pyplot as plt#生成数据
x = np.arange(0,4 * np.pi, 0.1)
y_sin = np.sin(x)
y_cos = np.cos(x)#绘图
plt.plot(x, y_sin)
plt.plot(x, y_cos, '--')#坐标
plt.xlabel('x')
plt.ylabel('y')#标题
plt.title('sin and cos')
#
plt.legend(['sin', 'cos'])
#绘制散点图
plt.scatter(x1, y1, marker='o')
plt.scatter(x2, y2, marker='s')
plt.show()

机器学习中的决策边界绘制

二、PyTorch

1.安装配置环境

参考博客：
pycharm搭建pytorch环境
Anaconda+Pycharm环境下的PyTorch配置方法
查看pytorch的安装位置/路径

2.基础知识

供查阅的博客
1、pytorch: Tensor 常用操作

张量
自动求导
torch.nn 和 torch.optim

2.1 张量

import torch
# 创建一个张量
x = torch.randn(2, 2)
print(x)# 用列表创建
x = torch.tensor([[1, 2], [3, 4]])
print(x)# 根据现有张量创建指定类型
x = torch.zeros(2, 2, dtype=torch.long)
y = torch.ones_like(x)# 张量相加
z = x + y
# 或者
z = torch.add(x, y)# 张量 矩阵相乘
x = torch.tensor([[1, 2], [3, 4]])
y = torch.tensor([[1, 2], [3, 4]])
y = x.mm(y)# 转换为Numpy数组,张量x发生变化，对应numpy数组a也会有相同变化
a = x.numpy()
# 转换为张量
x = torch.from_numpy(a)**# 将张量（默认在cpu）移动到GPU里**
a = torch.ones(2, 2)
if torch.cuda.is_available():a_cuda = a.cuda()
print(a_cuda)

2.2 自动求导

import torch# # 设置自动求导功能
x = torch.ones(2, 2, requires_grad=True)
y = torch.ones(2, 2, requires_grad=True)
z = x + y
z = z.mean()
# 返回值是标量
z.backward()
#返回值是张量
z.backward(torch.ones_like(z))
#求z对x和对y的偏导数
print(x.grad)
print(y.grad)# 测试集时禁止设置requires_grad=True的张量进行自动求导
with torch.no_grad():print((2 * x).requires_grad)
#输出值是false

2.3 训练神经网络的重要的包

阅读博客：
深入理解 TORCH.NN

三、神经网络基础知识

感知机

感知机是一种最简单的二分类模型，多层感知机类似神经网络，解决非线性问题。

逻辑回归模型

1、用sigmoid函数代替感知器的阶跃函数
2、损失函数
3、梯度下降算法
实践：

numpy.random.seed()

numpy.random.seed()函数可使得随机数具有预见性，即当参数相同时使得每次生成的随机数相同；当参数不同或者无参数时，作用与numpy.random.rand()函数相同，即多次生成随机数且每次生成的随机数都不同

sklearn的快速使用

pytorch学习笔记（一）-- 《深度学习入门》红色石头相关推荐

深度学习入门之PyTorch学习笔记：深度学习介绍
深度学习入门之PyTorch学习笔记:深度学习介绍绪论 1 深度学习介绍 1.1 人工智能 1.2 数据挖掘.机器学习.深度学习 1.2.1 数据挖掘 1.2.2 机器学习 1.2.3 深度学习第 ...
学习笔记：深度学习（3）——卷积神经网络（CNN）理论篇
学习时间:2022.04.10~2022.04.12 文章目录 3. 卷积神经网络CNN 3.1 卷积神经网络的概念 3.1.1 什么是CNN? 3.1.2 为什么要用CNN? 3.1.3 人类的视觉 ...
【长篇博文】Docker学习笔记与深度学习环境的搭建和部署（二）
长篇博文记录学习流程不容易,请关注.转发.点赞.评论,谢谢! 上一篇文章:Docker学习笔记与深度学习环境的搭建和部署(一) 文章末尾附加nvidia455.23.cuda11.1.cudnn8.0 ...
ScalersTalk 机器学习小组第 21 周学习笔记（深度学习-10）
ScalersTalk 机器学习小组第 21 周学习笔记(深度学习-10) Scalers点评:机器学习小组是成长会的内部小组,这是成长会机器学习小组第21周学习笔记,也是深度学习第10次的复盘笔记 ...
学习笔记：深度学习（6）——基于深度学习的语言模型
学习时间:2022.04.22~2022.04.25 文章目录 5. 基于深度学习的语言模型 5.1 从NNLM到词嵌入 5.1.1 神经网络语言模型 NNLM 5.1.2 基于循环神经网络的语言模型 ...
深度学习入门之PyTorch学习笔记：深度学习框架
深度学习入门之PyTorch学习笔记绪论 1 深度学习介绍 2 深度学习框架 2.1 深度学习框架介绍 2.1.1 TensorFlow 2.1.2 Caffe 2.1.3 Theano 2.1.4 ...
[深度学习笔记(1)]深度学习入门
本系列是博主刚开始接触深度学习时写的一些笔记,写的很早了一直没有上传,趁着假期上传一下,作为分享,希望能帮助到你. 目录前言一.什么是深度学习二.深度学习的应用三.深度神经网络的难题 3.1 ...
第1周学习笔记：深度学习和pytorch基础
目录一视频学习 1.绪论 2.深度学习概述二代码学习 1.Pytorch基础练习 2.螺旋数据分类一视频学习 1.绪论人工智能(Artificial Intelligence):使一部机 ...
[学习笔记] python深度学习---第三章神经网络入门
一.神经网络剖析 1. 训练神经网络主要围绕以下四个方面: (1) 层,多个层组合成网络(或模型). (2)输入数据和相应的目标. (3)损失函数,即用于学习的反馈信号. (4)优化器,决定学习过程如 ...
吴恩达深度学习代码_吴恩达深度学习笔记(58)-深度学习框架Tensorflow
TensorFlow 有很多很棒的深度学习编程框架,其中一个是TensorFlow,很期待帮助你开始学习使用TensorFlow,我想在这个笔记中向你展示TensorFlow程序的基本结构,然后让你自 ...

pytorch学习笔记（一）-- 《深度学习入门》红色石头

文章目录