传送门 Pytorch深度学习教程 本文借鉴CSDN专栏 PyTorch 深度学习实践
反向传播算法这节引出了一个重要概念 Tensor 网上相关文档很多 但是眼花缭乱 本蒟蒻看的云里雾里
本蒟蒻的理解目前主要分为三点
Tensor是一个多维数组结构，可以表示数值，向量，矩阵甚至更高维的数据
Tensor具有自动求导求梯度的特性
Python 的标量值（int、float、bool）在与 Tensor 运算时， 会自动转换为与 Tensor 相同数据类型（dtype）的 Tensor 。
12345678910111213141516171819202122232425262728293031323334353637383940414243import torch# 1. 创建 Tensora = torch.tensor([1, 2, 3]) # 从列表创建b = torch.rand(2, 3) # 创建 2x3 的随机数矩阵（范围[0,1)）c = torch.zeros(3) # 创建全零向 ...
梯度下降算法传送门 Pytorch深度学习教程 本文借鉴CSDN专栏 PyTorch 深度学习实践
1234567891011121314151617181920212223242526272829303132333435import matplotlib.pyplot as pltx_data = [1.0,2.0,3.0]y_data = [2.0,4.0,6.0]def forward (x): return x*wdef cost(xs,ys): loss=0 for x,y in zip(xs,ys): y_prev = forward (x) loss += (y_prev - y) **2 return loss / len(xs)def grad(xs,ys): g=0 for x,y in zip(xs,ys): y_prev = forward(x) g+=2*x*(y_prev - y) return g / len(xs)epoch_list = []loss_list ...
计算机系统概述计算机硬件1.冯诺依曼计算机的特点
“存储程序”的工作方式 p:将实现编制好的程序和原始数据送入主存储器后才能执行，一旦程序被启动，无需人员干预，计算机自动逐条执行，直到结束。
硬件系统五大部分：运算器，存储器，控制器，输入设备，输出设备
指令数据等地位存在存储器中，形式上无区别，但计算机能分辨
指令数据均用二进制代码组成
指令由操作码和地址码组成，操作码指出操作的类型，地址码指出操作数的地址
2.计算机的功能部件
输入设备：将程序与数据以机器能接受的形式输入计算机
输出设备：将计算机结果以人类能接受的形式输出
存储器：分为主存储器（内存储器或主存）和辅助存储器（外存储器或外存）。CPU能直接访问的为主存，辅助存储器的内容必须进入主存才能访问。主存储器的工作方式为按存储单元的地址进行存取，称为按地址存取。MAR用于存放访存地址，位数反映最多可寻址的存储单元的个数。MDR用于暂存要从存储器读或写的信息，位数通常为存储字长
运算器：用于算术和逻辑运算。核心为ALU（算术逻辑单元）。运算器包含若干寄存器，其中ACC（累加器），MQ（乘商寄存器），X（操作数寄存器）是必须的
控 ...
线性模型传送门 Pytorch深度学习教程 本文借鉴CSDN专栏 PyTorch 深度学习实践
1234567891011121314151617181920212223242526272829303132333435import numpy as npimport matplotlib.pyplot as plt x_data = [1.0, 2.0, 3.0]y_data = [2.0, 4.0, 6.0] def forward(x): return x*w def loss(x, y): y_pred = forward(x) return (y_pred - y)**2 # 穷举法w_list = []mse_list = []for w in np.arange(0.0, 4.1, 0.1): print("w=", w) l_sum = 0 for x_val, y_val in zip(x_data, y_data): y_pred_val = forward(x_val) lo ...
利用PyTorch实现线性回归传送门 Pytorch深度学习教程 本文借鉴CSDN专栏 PyTorch 深度学习实践
本节共分为四步
Prepare dataset后续有方法，现在目前用简单手打代替
12x_data=torch.tensor([[1.0],[2.0],[3.0]])y_data=torch.tensor([[2.0],[4.0],[6.0]])
Design model12345678910class LinearModle(torch.nn.Module): def __init__(self): super(LinearModle,self).__init__() self.linear=torch.nn.Linear(1,1) def forward(self,x): y_prev = self.linear(x) return y_prevmodel = LinearModle()
封装好类，使用仅需要实例化即可
Construct loss and optimiz ...
Welcome to Hexo! This is your very first post. Check documentation for more info. If you get any problems when using Hexo, you can find the answer in troubleshooting or you can ask me on GitHub.
Quick StartCreate a new post1$ hexo new "My New Post"
More info: Writing
Run server1$ hexo server
More info: Server
Generate static files1$ hexo generate
More info: Generating
Deploy to remote sites1$ hexo deploy
More info: Deployment
