Ling-22

摘要： 第8讲：Dataset and Dataloader 视频教程 Epoch:参与训练的所有进行反向正向传播的数据 Batch-Size:批量大小：正向，反向，更新所用的训练样本的数量 Iteration:内层迭代次数 Dataset支持索引操作，提供数据集的长度 Shuffle:打乱数据集,是数据具 阅读全文

摘要： 处理多维特征的输入 视频教程 图片来自课程ppt 1.准备数据集： 行：样本 列：每个样本的特征 代码数据集x是前8列，y最后一列 2.多维的逻辑斯蒂回归模型 说明： 计算每个样本的8个特征分别去乘以权重 计算出1的值之后加上偏置量，即z（i）（第i个样本的线性计算值） 将z（i）代入logisti 阅读全文

摘要： 逻辑斯蒂回归 视频教程 1.线性模型与逻辑斯蒂回归模型区别？ 说明： 多了sigmoid函数 计算损失时有区别 2.为什么选用sigmoid函数？ 说明： 回归问题：输出是个R，分类问题：输出是某个分类的[0,1]的概率 利用sigmoid函数将R映射在概率取值范围[0,1]区间上 3.怎样计算二分 阅读全文

摘要： 视频教程 1. prepare dataset import torch x_data = torch.Tensor([[1.0],[2.0],[3.0]]) y_data = torch.Tensor([[2.0],[4.0],[6.0]]) #注意：x，y是3*1的张量（矩阵） 2. Desig 阅读全文

摘要： 反向传播（Back Propagation）： 视频教程 1.代码说明： forward 计算loss backward 反向计算梯度 由sgd再更新W权重 import torch x_data = [1.0, 2.0, 3.0] y_data = [2.0, 4.0, 6.0] w = torc 阅读全文

摘要： 1.梯度下降（Gradient Descent Algorithm）¶ 代码说明： 1.求损失函数（训练集mse/abs随机样本） 2.and求梯度函数 3.梯度下降公式w = w -学习率 * 梯度函数`` 视频讲解 import matplotlib.pyplot as plt #准备数据 x_ 阅读全文

摘要： 代码说明： 1.依次输入变量w：函数forward()中变量w由for循环中的区间间隔0.1传入 2.在固定各个w中：for循环中嵌套 计算预测值 计算样本损失值 各个样本的损失值求和 计算均方差 3.添加结果w,mse到列表中 4.绘制图像 视频链接 #导包 import numpy as np 阅读全文

摘要： 安装MySQL 搜索 下载安装包 点击no thanks...... custom 加载最新的包（sever，workbench,shell) 一直安装 记住密码！！ 一路安装 安装完成，显示workbench workbench使用 阅读全文

摘要： 一、导包 点击查看代码 import numpy as np import pandas as pd import matplotlib.pyplot as plt %matplotlib inline import seaborn as sns#画图seaborn封装了matp;otlib fro 阅读全文

摘要： ##一、创建表格 1.创建员工表 CREATE TABLE `employee`( `emp_id` INT PRIMARY KEY, `name` VARCHAR(20), `birth_date`DATE, `sex`VARCHAR(1), `branch_id`INT, `sup_id`INT 阅读全文