http://t.csdn.cn/jfmLQ%E4%BA%92%E4%B8%89%E5%85%84%E5%BC%9F%E4%BB%AC

Oracle清理归档日志dbf文件

在本专栏的上一篇博客中我们介绍了常用的线性模型，在本文中我们将介绍GoogleNet、resNet、denseNet这类结构化的模型的构建方式。

本篇文章将介绍常用的线性CNN模型，其中包括LeNet， AlexNet, VGG，并用fashion_mnist数据集为例解释并演示CNN模型的训练和测试过程

在前面的文章中我们重点介绍了数据的形式，数据的加载，并且解决了加载过大的数据集可能导致的OOM问题。同时我们也解决了加载torchvision中现有的模型时遇到的输入和输出端与我们实际问题不匹配的情况，在本篇文章中我们将介绍模型的训练和预测过程。

提到卷积，应该多数人都会想到类似上图的这种示例，可以简单的理解成卷积核与图像中和卷积核相同大小的一块区域与卷积核相乘再求和，通过移动区域产生一个有和组成的新的图像，那么卷积核是什么呢，本文将从原理通俗易懂的介绍卷积核

假设我们有一个房价预测的问题，我们有很多条数据，每一个数据项有很多特征，这些特征就是x，而房价就是y，线性回归要解决的就是得出一批合适的w和b来实现x向y的映射，使得我们得到x时就可以预测出y。但是不是所有的问题都可以得到解析解，所以我们一般使用梯度下降的方式进行优化，优化方式是：各个参数沿着梯度的反方向更新，梯度方向就是方向导数最大的方向。为了求得权值和偏置的最优值，我们需要定义损失函数，通过降低损失函数的损失进行权值和偏置的优化。

根据之前的文章我们可以很容易的搭建出多层神经网络，下面我们以其中一种方式为例实现多层神经网络，推荐使用jupyter notebook

从零开始在ubuntu操作系统中配置pytorch深度学习环境

SoftMax函数的简介、公式推导、公式化简，以及代码实现

均方误差（MSE），L2范式与闵可夫斯基距离，交叉熵误差（cross_entropy_error），极大似然损失函数（LR）的函数公式，应用场景以及代码的实现

全连接层以及反向传递的理解与手动实现

通过公式推导透彻理解反向传递，使用Python实现乘法层、加法层、Relu层、Sigmoid层、带交叉熵误差的SoftMax层的反向传递实例

Python深度学习基础：激活函数的介绍以及图像的对比展示

人工智能主要可以解决的问题分为：模拟人类认知和模拟人类感知，图像分类就是模拟人类感知的过程的一个方向，即分辨出图像中的事物是什么，未来的几周我们将借助手写数学符号数据集来着重讲解pytorch用于图像分类的技术，对于实现中的细节也将逐步讲解。

🎈 简介： CSDN 运维领域创作者、阿里云专家博主。目前从事 Kubernetes运维相关工作，擅长Linux系统运维、开源监控软件维护、Kubernetes容器技术、CI/CD持续集成、自动化运维、开源软件部署维护等领域。🎈 欢迎小伙伴们👍、⭐、💬。

vmware是一款运行在windows系统上的虚拟机软件，可以虚拟出一台计算机硬件，方便安装各类操作系统。如Windows、macos、linux、unix等等。虚拟机（VM）是一种创建于物理硬件系统（位于外部或内部）、充当虚拟计算机系统的虚拟环境，它模拟出了自己的整套硬件，包括 CPU、内存、网络接口和存储器。通过名为虚拟机监控程序的软件，用户可以将机器的资源与硬件分开并进行适当置备，以供虚拟机使用。

但行好事，莫问前程

新手开发基础总结 持续更新 欢迎补充留言