摘要：引入两个人工变量x4,x5,各自追加到每个等式约束条件中。但是这样强制插入原来的等式约束条件中后，虽然说有单位矩阵了，但是有可能破坏原来的等式约束条件； 也有可能不破坏(如果最后的x4,x5算出来的值都为0的话)，如果有一个是正的大于零的，那么就破坏了原来的等式约束条件，也即原来的等式约束条件就不应 阅读全文

摘要：引入M，其中M是一个充分大的正数。由此，目标函数也改变为zM. 如此构造的线性规划问题我们记作LPM，称之为辅助线性规划问题，也即在原来的线性规划问题的基础上，改造了其等式约束条件，然后有对目标函数施加了惩罚项，Mx4,Mx5。 因为M是充分大的正数，所以即便x4,x5很小，只要x4,x5不等于0， 阅读全文

摘要：根据基可以写出对应的典式，根据典式可以写出对应的单纯形表。反之，根据单纯形表，也可以写出典式。典式当中的非基变量移到等号的右侧，则可以得到典式的等价形式； 如下图所示。当所有非基变量的检验数都是负数时，那我们来看下目标函数等价形式的中的rjxj项，如下图所示。 上图中，圈主部分中的xj只要不取零(x 阅读全文

摘要：参考：https://www.cnblogs.com/dmyu/p/6483357.html以及博主相关文章等。 阅读全文

摘要：可参考：https://www.cnblogs.com/lianyingteng/p/7743876.html suqare(5)等价于power(2)(5)；cube(5)等价于power(3)(5)； power相当于是一个工厂，由于参数不同，得到了两个不同的生产线，一个是square一个是cu 阅读全文

摘要：def hi(name="yasoob"): return "hi " + name print(hi()) # 我们甚至可以将一个函数赋值给一个变量，比如 greet=hi # 我们这里没有在使用小括号，因为我们并不是在调用hi函数 # 而是在将它放在greet变量里头。我们尝试运行下这个 pri 阅读全文

摘要：特征缩放， 在这种情况下，我们不仅仅考虑是一个值的数据集，我们考虑的是具有多个特征和相关的值的样本或元素的数据集。 假如正在处理一个人的数据集， 归一化数据集有许多不同的方法，而标准化只是其中的一种特定的方式。 所以，如果我们处理图像，当我们使用神经网络时， 特征一般是rgb彩色通道。 先看简单的方 阅读全文

摘要：转载：https://blog.csdn.net/weixin_39946767/article/details/118644619 阅读全文

摘要：以下内容来自deeplizard pyorch_P31 阅读全文

摘要：这意味着训练过程将按顺序在主流程中工作。 即：run.num_workers。 ，此外， ，因此，主进程不需要从磁盘读取数据；相反，这些数据已经在内存中准备好了。 这个例子中，我们看到了20%的加速效果，那么你可能会想， 我们考虑一个工人可能足够让队列中充满了主进程的数据，然后将更多的数据添加到队列 阅读全文

摘要：import collections #from collections import OrderededDict my_orderDict=collections.OrderedDict(house=None,name='lily',age=18,degree="Dr.",b=1,a=2,) fo 阅读全文

摘要：上例中， 尝试两个不同的值 为此： alt+shift可以有多个光标，再jupyter notebook中。 alt+d，alt+shift,ctrl+鼠标左键多点几个，都可以同时选择多个目标，并进行共同操作；再jupyter notebook中。 当前例子下： 先看下面的， 比如epoch编号或号 阅读全文

摘要：namedtuple()函数见：https://www.runoob.com/note/25726和https://www.cnblogs.com/os-python/p/6809467.html namedtuple:namedtuple类位于collections模块,有了namedtuple后 阅读全文

摘要：上面之所以total_loss+=loss.item()*batch_size有网友说是，因为size_average=True是默认的，多以要乘以batch_size. 阅读全文

摘要：import torch import torch.nn as nn import torch.nn.functional as F import torchvision import torchvision.transforms as transforms import torch.optim a 阅读全文

摘要：上图中，基本可行解首先是基本解，基本解中非基变量的值全等于零，所以后面n-m个非基变量取值都是零。 基变量的值是表中最后一列，最后一行上面的值。因为取定的基是可行基，所以基本解就是基本可行解了。 基本可行解代入到目标函数里面以后，函数值就是表最右下角的z0。 所以单纯性表给我们的信息很多。 那么基本 阅读全文

摘要：改写，改写的目标是约束条件中所有的基变量都用非基变量来表示。 目标函数，用非基变量来表示。 联立后的方程组的特点是，用非基变量表示了约束条件中的基变量。 典式的特点以下图中的式子为例： 我们选定了基B是P1,P2，即B=(P1,P2),此时基变量就是x1,x2，那么x3,x4就是非基变量。 下图右下 阅读全文

摘要：import numpy import numpy as np import torch import matplotlib.pyplot as plt import torch.nn as nn import torch.nn.functional as F import torch.optim 阅读全文

摘要：最新地址： Cheat sheet — conda 24.5.0 documentationhttps://docs.conda.io/projects/conda/en/stable/user-guide/cheatsheet.html 阅读全文

摘要：torch.cat() 和 torch.stack()略有不同torch.cat(tensors,dim=0,out=None)→ Tensortorch.cat()对tensors沿指定维度拼接，但返回的Tensor的维数不会变，可理解为续接；torch.stack(tensors,dim=0,o 阅读全文

摘要：可看到，上图中的线性规划问题已经是一个标准形了；且其等式约束条件中有两个方程，恰好其第三四列构成了一个单位矩阵，是其子矩阵。 我们可把第三列第四列组成的单位矩阵取为基，这个基恰恰就是可行基，那我们的初始可行基也就找到了。这就是第一种类型：约束方程组的 系数矩阵中如果有一个单位矩阵，那么我们把他取为初 阅读全文

摘要：前面几节课，我们认识了线性规划的标准型，和它的各种解的概念，以及线性规划的集合特征，还有就是图解法，但是这种方法，有它的缺陷，只能求解具有两个变量的线性规划问题。 在变量多的情况下，方法就失效了。 具体使用方法，首先先找一个可行域的顶点，比如下图中的x1, 与其他的可行解进行比较，用进行寻找的筛查技 阅读全文

摘要：也即是从几何上给线性规划问题的概念给一个具体的说明。 连接x1,x2的线段，如果包括x1,x2端点则称为闭线段，不包括则称为开线段。 数学上表述为，任取线段内部的某一点x，如果能写出/描述出这点x的轨迹或其坐标变化的规律， 就可以。为了做到这一点，我们设想有x1,x2,分别有以x1,x2为终点的向量 阅读全文

摘要：当基选定之后，当前问题中所有变量的角色也就确定下来了。 上述B2是上述问题的一个基，并选用了x3,x4两个变量的约束系数。此时，我们就称x3,x4是当前基下的两个基变量。同时另外两个变量x1,x2就成为非基变量。 将线性方程组Ax=B尽心了改写，具体做法是，把矩阵A分成了两组，一组是基变量的系数构成 阅读全文

摘要：上述标准形书写比较麻烦，想着如何能转换成书写方便的写法呢？如下： 然后，标准形就可以写成如下简洁的矩阵形式： 上图中最后一行条件可保证，Ax=b有解，有无穷解。 阅读全文

摘要：1. 图解法： 阅读全文