摘要： 注意： 1、w是Tensor，Tensor中包含data和grad，data和grad也是Tensor。grad初始为None，调用l.backward()方法后w.grad为Tensor，故更新w.data时需使用w.grad.data。 2、w是Tensor， forward函数的返回值也是Te 阅读全文

摘要： PyTorch Fashion(风格) 1、prepare dataset 2、design model using Class # 目的是为了前向传播forward，即计算y-hat(预测值) 3、Construct loss and optimizer (using PyTorch API) 其 阅读全文

摘要： 这次利用随机梯度下降，随机梯度下降法在神经网络中被证明是有效的。效率较低(时间复杂度较高)，学习性能较好。 随机梯度下降和梯度下降相比区别在于： 1、损失函数由cost()更改为loss()。cost是计算所有训练数据的损失，loss是计算一个训练函数的损失。 2、梯度函数gradient()由计算 阅读全文

摘要： 简单的单变量线性回归，利用机器学习中学习过的梯度下降即可import matplotlib.pyplot as plt# prepare the training setx_data = [1.0, 2.0, 3.0]y_data = [2.0, 4.0, 6.0]# initial guess o 阅读全文

摘要： 这个练习，使用反向传播的前馈神经网络处理手写数字数据集。 通过反向传播算法实现神经网络成本函数和梯度计算的非正则化和正则化版本。 还将实现随机权重初始化和使用网络进行预测的方法。神经网络的反向传播算法有些复杂，计算的细节很难捋顺，对程序的理解还不到位。 #调入包import numpy as npi 阅读全文

摘要： 正则化是成本函数中的一个术语，它使算法更倾向于“更简单”的模型（在这种情况下，模型将更小的系数）。这个理论有助于减少过拟合，提高模型的泛化能力。 #导入包import numpy as npimport pandas as pdimport matplotlib.pyplot as plt#导入数据 阅读全文

摘要： 巩固了线性回归的内容，练习了多变量的线性回归，对程序添加了一些详细的注释 import numpy as np#线性代数包import pandas as pd#数据处理包import matplotlib.pyplot as plt#画图包path = 'ex1data2.txt'data2 = 阅读全文

摘要： 继续进行代码实战，对向量计算有了更进一步的理解，对scipy.optimize还不是很明白。 #导入包import numpy as npimport pandas as pdimport matplotlib.pyplot as pltpath = 'ex2data1.txt'data = pd. 阅读全文

摘要： 示例： info = pd.DataFrame({'language':['C', 'C++', 'Python', 'Java', 'PHP']}) info.head() info.head(3) 注意： 数据名.head( ) ：是指取数据的前n行数据，默认是前5行。 没有print语句，py 阅读全文

摘要： 上周二居家隔离到周六，进度很慢，对之前一部分的课程进行一些笔记总结；整体算法原理，框架结构已经理解，但是还有一些语句理解的不是很透彻。#导入数据并绘图import numpy as npimport pandas as pdimport matplotlib.pyplot as pltpath = 阅读全文