深度学习点滴记录

在这里继续记录自己的学习为什么重新开始记录工作后发现欠缺较多能力 为什么重新开始记录 在本科毕设的时候，在CSDN发表了第一篇文章，并且从后来的评价来看，评分普遍都比较高，帮助了不少人。我在读博期间也从CSDN上收获了不少帮助，也上传了一点内容。正是这里有互帮互助的人，所以大家能减少重复造轮子的时间，提高了效率。读博期间更新内容比较少，有些遗憾，没能在网络上留下一些自己的成果。当看到有些博主更新的文章内容详实，思路清晰，自成体系。对比自己的单薄内容，自惭形秽。 工作后发现欠缺较多能力 工作后的辛苦主要来自自

深度学习环境搭建 Anaconda-Python3.9——开源的Python 发行...Anaconda的安装 Conda——包含在Anaconda中 CUDA和CUDNN——GPU复杂计算架构和DNN...对CUDN和CUDNN的理解 CUDA的安装 CUDNN的安装 Pytorch深度学习框架(模型库/积木)虚拟环境的创建与激活 对Pytorch的理解Pytorch安装常用库的安装pip和condaconda安装方式pip安装方式 Pycharm——Python lDE

好在caffe为我们提供了一个可以用python编写新的网络层的方法，直接用python语言编写新的网络层，然后在caffe的网络配置文件，稍作修改，就可以轻松容易创建新的网络层。其具体环境配置搭建过程如下： 1、编译caffe的时候,不能直接使用make pycaffe,而是应该使用:

接触ML接近一年, 虽有数字信号+统计检测基础知识, 对极大似然仍然一知半解, get不到贝叶斯的思想. DL仍处于探索阶段, 只知道些名次堆砌, 今天开始读<深度学习> 这本书, 着实相见恨晚. 博客将记录个人点滴见解, 聊以备忘. 欢迎交流指正! 极大似然 因时间有限+latex技能尚未习得, 下述公式很少很难看 概率论中常讲极大似然, 基本任务是对于未知参数theta的指定分布,

一、深度学习 深度学习(七十三)pytorch学习笔记 深度学习(七十二)tensorflow 集群训练 深度学习（七十一）3D CNN时空特征学习 深度学习（七十）darknet 实现实验mobilenet 深度学习（六十九）darknet 实现实验 Compressing Deep Neural Networks with Pruning, Trained Quantization ...

作为一个程序员，还是应该试着写写博客的，在此记录我的第一次博客之旅，希望我能督促自己，经常更新，加油吧，少年！ ...

对于Python开发者来说，CNTK就像是一个精通多种武器的大师，不仅可以轻松地构建复杂的神经网络，还能通过GPU加速训练过程，让我们的模型在短时间内达到最佳状态。更重要的是，Python简洁明了的语法，让我们能够将更多的精力放在算法的设计和调试上，而不是语言本身的细节上。你可以把这里当作自己的家，无论是工作之余的小憩，还是寻找灵感的驿站，我都希望你能在这里找到属于你的那份快乐和满足。我们可以从最基础的多层感知机开始。

先看下官方给出的sampler.py源码： https://github.com/pytorch/pytorch/blob/master/torch/utils/data/sampler.py#L73-L90 import torch from torch._six import int_classes as _int_classes class Sampler(object): r"...

在使用 numpy重点矩阵 和 array数组相乘的时候，经常会发生这个错误， 解决方法可以进行一定的转换： 其实我觉得一般不必要把list转为mat，还不如直接转为array. ...

来自知乎回答： https://www.zhihu.com/question/37069477 1、神经网络中，将原始数据进行去中心、归一化这样的标准化处理，（归一化）使得不同的特征具有相同的尺度（量纲），即消除特征之间的差异性，在使用梯度下降法学习参数的时候，不同特征对参数的影响程度就一样了，（一心一意学习权重）从而加速神经网络的训练。 (去中心化）增加基向量的正交性。 2、使用PCA时，一般只...

#两者不同……

即 center-loss: https://github.com/KaiyangZhou/pytorch-center-loss/blob/master/center_loss.py def forward(self, x, labels): &amp;quot;&amp;quot;&amp;quot; Args: x: feature matrix with shape (batch_siz...