半岛Hantou的博客

分类实战——以AlexNet为例的代码详解12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758596061626364656667686970717273747576777879808182838485868788899091from torchvision import modelsimport torchimport torch.nn as nn# 定义一个自定义的神经网络模型类，继承自 nn.Moduleclass myModel(nn.Module): def __init__(self, num_cls): super(myModel, self).__init__() # 调用父类的构造函数 # 定义第一个卷积层 # 输入通道数为3（RGB图像），输出通道数为64，卷积核大小为11x11，步长为4，padding为2 self.conv1 = nn.C ...

初识神经网络的分类问题在接触分类问题之前，我们先学过了回归问题 回归问题是找一个神秘的函数关系，来匹配并预测每个数据点的位置 而分类问题是要寻找到一个方法，将数据集划分为若干类，每个类中都有神秘的共性，我们要找的模型就是区分他们的方法 以图片分类为例，我们给电脑投喂一组照片，里面有[猫，狗，树]，但我们知道，机器学习的输出是数学形式，所以我们要使用One-hot独热编码来表示模型输出的结果 类似于计组中的指令编码方法，每一类表达不同的种类的概率，在上述例子中，每位分别表示图片为狗、猫、树的概率 简述训练流程的各种问题 输入一幅图片（图片天生就是矩阵），模型对矩阵进行预测，然后输出各个分类的概率，在对概率进行处理，最后得到分类的结果 如何理解图片作为输入源 所有颜色都可以通过RGB三维色彩坐标来表示，所以所有图片可以拆解为红绿蓝三层 对于不同中的像素点，对于该层的颜色来说，又有不同的灰度，这时的灰度值就作为这个该层中此像素点的值 但是在上次学的回归中，输入的都是一维张量，对于矩阵来说，我们同样可以将他们转换为一维的，只需要将每层的矩阵拉平，再将不同层拼接即可 训练模型的时候， ...

回归实战：预测新冠感染人数先回顾下回归是个啥玩意 首先需要一组训练集，说人话就是通过一系列x[x1,x2…xn]通过神秘计算得到y的过程，当然人和机器现在都不知道什么计算是什么，这是一个黑箱。 黑箱比喻：把模型想象成自动售货机，投币（输入特征x）→ 内部神秘机制（模型计算）→ 吐出饮料（预测值y^）。 核心任务：通过不断调整内部零件（参数w），让售货机吐出的饮料尽可能接近真实需求（真实值y）。 然后我们先随机的选定一系列参数，然后把参数和x带入神秘公式，计算出预测值y^ 将y^与实际的y进行计算，得到误差loss，预测y^与实际y相聚越远，loss显然越大，所以我们可以通过loss来评价一个模型的好坏 光知道这模型不准还没用，我们需要让预测值越来越接近，具体来说，就要使用梯度下降来将误差反馈给参数w for example: ​ w = w - d(loss)/d(w) * lr 在这循环往复的过程中，实现了机器的自主学习（额额。。参数不调好，也会越学越垃圾的，就像人学新知识也常常伴随踩雷和反复） 训练过程 随机初始化：给售货机随便装一堆零件（随 ...

import torchimport matplotlib.pyplot as plt import random def create_data(w, b, data_num): # 数据生成 x = torch.normal(0, 1, (data_num, len(w))) y = torch.matmul(x, w) + b # 矩阵相乘再加b noise = torch.normal(0, 0.01, y.shape) # 为y添加噪声 y += noise return x, y num = 500 true_w = torch.tensor([8.1, 2, 2, 4])true_b = 1.1 X, Y = create_data(true_w, true_b, num) plt.scatter(X[:, 3], Y, 1) # 画散点图 对X取全部的行的第三列，标签Y，点大小plt.show()def data_provider(data, label, batchsize): # 每次取batchsize个数据 length = len ...

一个普通学生的(365>>1)天跋涉_研途小记距离考研结束已经有一段时间了，成绩也已公布，回望这半年多的备考时光，我觉得有必要记录下这段旅程。无论结果如何，这段经历本身就是一笔宝贵的财富。 2024 年 6 月，我经历了一轮求职，但结果并不尽如人意。这让我重新审视自己的未来规划，也促使我坚定了考研的决心。既然要做，就全力以赴。从那时起，我开始了“两点一线”的生活——白天图书馆，晚上寝室，朝八晚十，持续到考研结束。这半年是挑战，也是蜕变。 这段考研的日子，我开始慢慢改变。曾经沉迷社交软件的我，开始践行”吸引力法则”：把刷短视频的15分钟换成背10个考研词汇，把焦虑内耗的深夜变成整理408考点的仪式。当自习室常坐的桌子逐渐聚起研友，我们默契地形成了”占座互助小组”，共同对抗臭脚各和眼罩姐，偶尔抬头看见周围伏案的背影，恍惚间竟觉得连空气都流动着向上的力量~ 最珍贵的收获，是那些在自习时结识的陌生人。隔壁桌二战学长分享的408笔记，现在还静静躺在我的文档里。图书馆考前清场大家互相祝福的场景，让我突然读懂罗素说的”参差多态才是幸福本源”——原来追光的路上，我们早已成为彼此的光。 这些 ...

[力扣刷题] 142.环形链表II给定一个链表的头节点 head ，返回链表开始入环的第一个节点。 如果链表无环，则返回 null。 如果链表中有某个节点，可以通过连续跟踪 next 指针再次到达，则链表中存在环。 为了表示给定链表中的环，评测系统内部使用整数 pos 来表示链表尾连接到链表中的位置（索引从 0 开始）。如果 pos 是 -1，则在该链表中没有环。注意：pos 不作为参数进行传递，仅仅是为了标识链表的实际情况。 不允许修改 链表。 示例 1： 123输入：head = [3,2,0,-4], pos = 1输出：返回索引为 1 的链表节点解释：链表中有一个环，其尾部连接到第二个节点。 示例 2： 123输入：head = [1,2], pos = 0输出：返回索引为 0 的链表节点解释：链表中有一个环，其尾部连接到第一个节点。 示例 3： 123输入：head = [1], pos = -1输出：返回 null解释：链表中没有环。 提示： 链表中节点的数目范围在范围 [0, 104] 内 -105 <= Node.val <= 105 pos 的 ...