R4y

摘要： 【d2l】3.4.softmax回归 此前的线性回归解决了“多少”的问题，而现实中的问题不止这种问题 还有一种占比很大的问题：分类问题。一般来讲，在机器学习中，我们使用“软性”分类，即用概率来代表属于某种事物的可能性 分类问题 首先的问题是如何用数学的语言表示分类的结果 独热编码（one-hot e 阅读全文

摘要： 【项目】手写数字识别的Qt实现 工作流整理 利用Pytorch训练手写数字识别模型 将模型转化为onnx格式，便于OpenCV调用 Qt界面开发 基本功能测试：包含手写板、检测与清除按钮、预测与置信度输出 完整界面化：菜单，多元功能 创新功能 多模态交互：语音/手势辅助、压感支持 模型优化与部署创新 阅读全文

摘要： 【项目】基于链表的任意精度十进制数计算 工作流确定 编写BigDecimal类，计算须利用链表特性 加法：两个平行链表同时移动 乘法：两个链表嵌套移动 编写Qt前端并打包 基础功能：[输入1] op [输入2] = [输出] 计算器：字符串输入➡合法性检测➡转化为后缀表达式➡基于栈计算 手写表达式计 阅读全文

摘要： 【项目】基于 YOLO 的边缘入侵检测与可疑行为分析系统 YOLO训练 数据处理 首先在Kaggle上面找到合适的数据集 使用这个数据集的原因是有很多类似监控视角的街景，并且场景复杂度较大，训练起来效果会好一些 但是这个数据集并不是YOLO格式的，首先要把数据处理至YOLO格式 这个数据集的labe 阅读全文

摘要： 【d2l】3.2.线性回归从零实现 生成数据集 本次使用\(\text w [2, -3.4]^\top\)、\(b = 4.2\)和噪声\(\epsilon\)生成数据集和标签 代码中为了简化问题，将标准差设置为0.01 def synthetic_data(w, b, num_examples) 阅读全文

摘要： 【d2l】3.1.线性回归 线性回归的基本元素 数据集/训练集 数据样本/数据点/数据实例 标签/目标 特征/协变量 表示方式 输入：\(x^{(i)} = [x_1^{(i)}, x_2^{(i)}]^\top\) 标签：\(y^{(i)}\) 线性模型：如何建模 接下来引入一个房屋价格预测作为例 阅读全文

摘要： 【d2l】2.6.概率 本节的代码量比较小，主要在于构建一个对于概率的观念 大数定律 这个部分利用脚本来验证大数定律 先导入所需要的库 %matplotlib inline import torch from torch.distributions import multinomial import 阅读全文

摘要： 【d2l】2.5.自动微分 这一节看似只讲了torch的反向传播接口，但真正想理解还是得有一个计算图的概念 简单的例子 现在有一个向量\(x\)，我需要计算\(y = 2x^\top x\)关于\(x\)求导，实现如下 import torch x = torch.arange(4., requir 阅读全文

摘要： 【d2l】2.4.微积分 本节主要讲解了微分、偏导、梯度和链式法则 其中梯度需要着重强调 梯度 对于一个多元函数，我们可以对所有变量做偏导数，从而得到该函数的梯度向量 函数\(f:\mathbb{R}^n \rightarrow \mathbb{R}\)输入了一个\(n\)维向量\(x = [x_1 阅读全文