fyt2025

摘要： 1 数据集准备 本实验使用完整版 MNIST 数据集，包含 60000 张 28×28 像素的训练集灰度图像和 10000 张测试集灰度图像，均分为 10 个类别（数字 0 到 9）。 在数据预处理阶段，首先通过ToTensor()将图像从 PIL 格式转换为 PyTorch 张量，再通过Norma 阅读全文

摘要： 1数据集准备 本实验使用自定义手写汉字数据集，数据集按训练集、测试集划分存储于指定路径（D:\pytorch_lianxi\hanzidata\data），每个类别对应一个以数字命名的文件夹，实验选取前 10 个类别（num_class=10）开展训练与测试。 2模型设计 卷积层 1：输入通道数 1 阅读全文

摘要： 自注意力机制：核心是给序列中各Token分配权重，通过Q（查询）、K（键）、V（值）计算相似度得到注意力分数，经softmax归一化后加权求和输出，多头注意力可并行捕捉多维度依赖。 位置编码：因模型无时序性，通过正弦余弦向量与Token的Embedding相加，保留序列顺序信息。 残差连接+层归一化 阅读全文

摘要： import os import torch import torch.nn as nn import torch.nn.functional as F import torchvision.transforms as transforms from torch.utils.data import 阅读全文

摘要： 运行中 阅读全文

摘要： 神经网络是模拟人脑神经元工作的计算模型，是人工智能的基础。 它由输入层、隐藏层、输出层组成： 输入层接收数据（如图像像素），隐藏层对数据逐层加工，输出层给出结果（如 “猫” 或 “狗”）。 每个 “神经元” 会给输入数据加权求和，再通过激活函数输出信号，让网络能处理复杂问题。 比如手机人脸识别、语音 阅读全文

摘要： PyTorch作为开源深度学习框架，以动态计算图、简洁API和强大生态深受开发者青睐。 通过学习相关资料，我了解到其核心优势在于“即插即用”的动态图机制——代码编写与调试时可实时修改计算流程，无需提前定义静态图，大幅降低了深度学习入门门槛。 PyTorch与Python生态深度融合，支持NumPy数 阅读全文

摘要：  ![屏幕截图 2025-06-27 215347](https://img2024.cnblogs.com/blog/3608553/202506/3608553-202 阅读全文

摘要： Python 语言基础学习报告 一、学习内容概述 在 Python 语言基础的学习过程中，我系统掌握了众多核心知识。从最基础的变量与数据类型开始，深刻理解了 Python 中整数、浮点数、字符串、列表、元组、字典等数据类型的特性与使用场景。例如，字符串的切片操作str[start:stop:step 阅读全文

摘要： 09 植物大战僵尸1 import pygame import random import sys 初始化pygame pygame.init() 游戏窗口设置 SCREEN_WIDTH = 800 SCREEN_HEIGHT = 600 screen = pygame.display.set_mo 阅读全文