石旭先森的博客

输入是长度100的噪声z（正态分布随机数）输出为（1，28，28）的图片，和MNIST数据集保持一致28super(Generator, self).__init__() # 继承父类nn.Tanh() # 最后必须用tanh，把数据分布到（-1，1）之间)def forward(self, x): # x表示长度为100的噪声输入img = img.view(-1,28,28,1) # 方便等会绘图输入为（1，28，28）的mnist图片。

最近发现kaggle每周给了30小时的GPU额度，直接使用在线jupyter notebook，非常方便。以后就直接在kaggle上练习了。比赛地址：CIFAR-10 - Object Recognition in Images | Kaggle因为是kaggle官方比赛的数据，所以在Competition Data里直接能搜出来，添加后就到input里了。小tip：/kaggle/input 路径为只读路径如果想写入数据，只能放到/kaggle/working 路径下 然后发现这里给的数据是一个zip压缩

整理自《动手学深度学习》

整理自：《动手学深度学习》 在softmax的基础上加入了一个隐藏层，使得函数更加复杂，能够拟合一些非线性的数据。 隐藏层后紧跟着一层激活函数，是为了防止多层模型退化为线性模型。 此章的数据集获取、训练函数继承自上一章：softmax回归的简洁实现【动手学深度学习】_九羽-的博客-CSDN博客 1. 获取数据集 import torch from torch import nn from d2l import torch as d2l batch_size = 256 train_iter.

整理自：《动手学深度学习》 import numpy as np import torch,torchvision from torch.utils import data from torchvision import transforms 1. 获取数据集 使用torchvision库自带的经典数据集Fashion-MNST。下载后将其加载到内存中。 通过ToTensor实例将图像数据从PIL类型变换成32位浮点数格式，并除以255使得所有像素的数值均在0到1之间。 def load_.

整理自：《动手学深度学习》 线性模型 y = Xw + b， x是二维的 1. 生成数据集 import numpy as np import torch from torch.utils import data from d2l import torch as d2l true_w = torch.tensor([2,-3.4]) true_b = 4.2 features,labels = d2l.synthetic_data(true_w,true_b,1000) 2. 读取数据集 .