个人技术分享

本文介绍了神经网络的基本原理，并给出了一个非常简易的实例。神经网络可以通过对训练集样本的学习，建立一个从输入值模拟到输出值的过程，即实现对输出-输出关系的函数模拟。神经网络的本质是通过对激活函数的撕拉抓打扯拽（裁剪、翻转、拉伸、拼接），构建出在训练集上拟合良好的从输入值到输出值的函数关系，至于神经网络的参数（即 具体是如何撕拉抓打扯拽的）是通过反向传播，对损失函数的优化进行实现的。

最近抽空看了下 Andrej Karpathy 的视频教程，教程的质量很高。教程不需要任何前置机器学习基础，只需要有高中水平的数学基础即可。整个教程从 0 到 1 手撸了一个类 pytorch 的机器学习库micrograd，核心代码不到 100 行。虽然为了简化没有实现复杂的矩阵运算，但是对于理解 pytorch 的设计思想有很大帮助。通过上面的流程可以很容易理解机器学习模型训练框架的设计方案，这一套流程也完全适用于 pytorch，可以帮助更好地理解 pytorch 的训练流程。

补充：这里的transform根据不同的数据集选择不同的值。补充：可以在外面再套一层迭代次数。以MNIST数据集为例。

最近抽空看了下 Andrej Karpathy 的视频教程，教程的质量很高。教程不需要任何前置机器学习基础，只需要有高中水平的数学基础即可。整个教程从 0 到 1 手撸了一个类 pytorch 的机器学习库micrograd，核心代码不到 100 行。虽然为了简化没有实现复杂的矩阵运算，但是对于理解 pytorch 的设计思想有很大帮助。通过上面的流程可以很容易理解机器学习模型训练框架的设计方案，这一套流程也完全适用于 pytorch，可以帮助更好地理解 pytorch 的训练流程。

PyTorch 是一个开源的机器学习库，由 Facebook 开发并维护。它提供了丰富的工具和功能，特别适用于深度学习任务。PyTorch 的一个显著特点是支持动态计算图，这意味着你可以按照代码的编写顺序定义计算图，使得模型设计和调试更加直观和灵活。PyTorch 还内置了自动求导功能，可以自动计算梯度，简化了神经网络模型的训练过程。除此之外，PyTorch 还提供了各种预训练模型、优化算法和工具，帮助用户构建和训练复杂的神经网络模型。

LSTM长短时记忆网络：推导与实现（pytorch）

最近抽空看了下 Andrej Karpathy 的视频教程，教程的质量很高。教程不需要任何前置机器学习基础，只需要有高中水平的数学基础即可。整个教程从 0 到 1 手撸了一个类 pytorch 的机器学习库micrograd，核心代码不到 100 行。虽然为了简化没有实现复杂的矩阵运算，但是对于理解 pytorch 的设计思想有很大帮助。通过上面的流程可以很容易理解机器学习模型训练框架的设计方案，这一套流程也完全适用于 pytorch，可以帮助更好地理解 pytorch 的训练流程。

最近抽空看了下 Andrej Karpathy 的视频教程，教程的质量很高。教程不需要任何前置机器学习基础，只需要有高中水平的数学基础即可。整个教程从 0 到 1 手撸了一个类 pytorch 的机器学习库micrograd，核心代码不到 100 行。虽然为了简化没有实现复杂的矩阵运算，但是对于理解 pytorch 的设计思想有很大帮助。通过上面的流程可以很容易理解机器学习模型训练框架的设计方案，这一套流程也完全适用于 pytorch，可以帮助更好地理解 pytorch 的训练流程。

index_2=t.LongTensor([[0,1,2,3]]).t()#tensor转置操作：(a)T=a.t()print(d.transpose(1, 3).contiguous().shape) # 1号维度和3号维度交换。print(a.unsqueeze(0).shape) # 在0号维度位置插入一个维度。print(a.unsqueeze(3).shape) # 在3号维度位置插入一个维度。print(a.squeeze(0).shape) # 尝试删除0号维度,ok。

最近抽空看了下 Andrej Karpathy 的视频教程，教程的质量很高。教程不需要任何前置机器学习基础，只需要有高中水平的数学基础即可。整个教程从 0 到 1 手撸了一个类 pytorch 的机器学习库micrograd，核心代码不到 100 行。虽然为了简化没有实现复杂的矩阵运算，但是对于理解 pytorch 的设计思想有很大帮助。通过上面的流程可以很容易理解机器学习模型训练框架的设计方案，这一套流程也完全适用于 pytorch，可以帮助更好地理解 pytorch 的训练流程。

《动手学深度学习》笔记——深度神经网络 DNN（线性回归 → softmax回归 →多层感知机→深度学习计算）教材：https://zh-v2.d2l.ai

具体来说这两种方式读取图片没有大的区别，但是建议用的方式来读。

具体来说这两种方式读取图片没有大的区别，但是建议用的方式来读。

对于（10,3,227,227）数据表示，10张3通道的图，图的大小（特征数）为227*227.通道数：作为卷积的输入通道数和输出通道数。特征数：特征图的大小步长stride和填充padding：线性减小特征图的尺寸池化pooling：非线性且高效减小特征图的尺寸。

Pytorch1.9.0环境安装过程

基于深度学习的多标签图像分类，使用时尚产品数据集。工程充分将代码解耦，便于代码管理。

使用迁移学习，修改ConvNeXt-T网络，对特征进行融合。

在 PyTorch 中，数据集和数据加载器是用于有效加载和处理数据的重要组件，特别是在训练深度学习模型时。

在深度学习中比较让人头疼的一点就是矩阵的维度，我们必须构建出符合神经网络维度的矩阵，只有将符合要求的矩阵放到神经网络中才可以运行神经网络，本节课程我们将学习以下tensor中维度的变化。

在深度学习中比较让人头疼的一点就是矩阵的维度，我们必须构建出符合神经网络维度的矩阵，只有将符合要求的矩阵放到神经网络中才可以运行神经网络，本节课程我们将学习以下tensor中维度的变化。