2021年4月17日
PyTorch深度学习实践 （六）---逻辑斯蒂回归
摘要： （1）相较于线性回归，使用激活函数sigmoid函数，将结果以0-1之间呈现 （2）损失函数计算：cross-entropy交叉熵 1 import torch 2 3 #data 4 x_data = torch.Tensor([[1.0], [2.0], [3.0]]) 5 y_data = t 阅读全文
posted @ 2021-04-17 16:07 mioho 阅读(95) 评论(0) 推荐(0) 编辑
PyTorch深度学习实践（五）---pytorch实现线性回归
摘要： pytorch写神经网络 （1）准备数据集 （2）涉及模型（yheight） （3）构造损失函数和优化器 （4）训练周期（前馈、反馈、更新） 1 import torch 2 3 #1.准备数据 4 x_data=torch.tensor([[1.0],[2.0],[3.0]]) 5 y_data= 阅读全文
posted @ 2021-04-17 13:35 mioho 阅读(143) 评论(0) 推荐(0) 编辑
PyTorch深度学习实践（四）---反向传播
摘要： B站 PyTorch深度学习实践-反向传播 （1）Tensor包含data 和 gradw.dataw.grad.data：数值计算，不构建计算图。w.grad.item()：取出数值。w.grad.data.zero()：清零 （2）w是tensor类型，data和grad也是tensor类型，注 阅读全文
posted @ 2021-04-17 13:09 mioho 阅读(240) 评论(0) 推荐(0) 编辑
2021年4月15日
PyTorch深度学习实践（三）---梯度下降法
摘要： B站 《PyTorch深度学习实践》梯度下降法 可能陷入局部最优 1 import numpy as np 2 3 x_data=[1.0,2.0,3.0] 4 y_data=[2.0,4.0,6.0] 5 6 w=1.0 7 8 def forward(x): 9 return x*w 10 11 阅读全文
posted @ 2021-04-15 15:23 mioho 阅读(125) 评论(0) 推荐(0) 编辑
PyTorch深度学习实践（二）---线性模型
摘要： #课堂代码-线性模型 1 import numpy as np 2 import matplotlib.pyplot as plt 3 4 #y=2x 5 x_data=[1.0,2.0,3.0] 6 y_data=[2.0,4.0,6.0] 7 8 def forward(x): 9 return 阅读全文
posted @ 2021-04-15 15:01 mioho 阅读(65) 评论(0) 推荐(0) 编辑
2021年4月10日
Hello World
摘要： hello world miosk 阅读全文
posted @ 2021-04-10 15:18 mioho 阅读(20) 评论(0) 推荐(0) 编辑