大家好~夏日已至，为了帮助大家持续提升创作、学习能力，CSDN 官方活动 🔗 成长一夏 挑战赛 也伴随着丰厚奖品一同来袭啦！ 本次我将作为【创作赛道】领航导师，提供创作建议与指导，和大家一起在本社区完成创作挑战。 CSDN 官方将按活动期间（

“损失函数”是机器学习优化中至关重要的一部分。机器学习中所有的算法都需要最大化或最小化一个函数，这个函数被称为“目标函数”。其中，我们一般把最小化的一类函数，称为“损失函数”。它能根据预测结果，衡量出模型预测能力的好坏。常见的损失函数例如L1、L2损失函数。除此之外，还有Huber损失、Log-Cosh损失、以及常用于计算预测区间的分位数损失。在实际应用中，选取损失函数会受到诸多因素的制约，比如是否有异常值、机器学习算法的选择、梯度下降的时间复杂度、求导的难易程度以及预测值的置信度等等。因此，不存在一种损失

从我们很小的时候，就总是听到父母在我们身边念叨，读书可以改变人的命运，知识是改变生活的基础，年少时的我们并不懂得这个道理，当真正步入到社会之后，我们才意识到，若是没有高的学历，没有一定的知识基础，那想要找到一份好的工作还真的是非常困难。现在社会不断在发展，时代一直在进步，以前是通过考高决定个人的未来，但是以现在的社会来看，大学生已经遍地都是，本科生已经越来越没有优势，而很多毕业生也更加决定了在毕业之后就继续考研深造。以当下的社会环境，就业难度很大，难以找到一份适合的工作，而选择继续读书，提高个人的学历，..

我曾经以为高考是我最不愿意触碰的回忆，可随着时光慢慢流逝，我现在想起的关于高考的一切，都是回不去的美好。距离我的高考已经过去五年了，现在回想起来自己高考完的这个暑假，还是挺苦逼的。当时考完觉得自己发挥很不错，等成绩出来之前跟同学去了毕业旅行，各种疯玩，买各种自己想要的东西。可当我知道成绩后 ， 一切都变了，爸妈对这个成绩很失望，我自己也很失望，一度被劝着复读。特别是最后录取的专业还不是自己想要的专业的时候，基本上我自己都想复读了。不过回过头来看，其实一点儿也不后悔当时的选择，因为当你玩了半个月，暑假里认真学

在之前的内容中， 已经展示了如何加载数据， 通过我们定义nn.Module的子类模型 , 在训练数据上训练该模型，并在测试数据上对其进行测试。 还打印出一些模型在训练过程中的统计数据以了解训练是否在进行中。 但是，PyTorch 与 TensorBoard可以做得更好，它是一种用于可视化神经网络训练运行结果的工具。 本次使用Fashion MNIST（使用 torchvision.datasets 导入 PyTorch ）数据集演示了它的一些功能。读入数据并进行适当的转换（与之前的教程几乎相同）。 设

神经网络可以用torch.nn包来构建。之前的内容已经了解了 autograd，nn 依赖于 autograd 来定义模型并区分它们。 nn.Module 包含层和返回输出的方法 forward(input)。例如，看看这个分类数字图像的网络：这是一个简单的前馈网络。 它接受输入，一个接一个地通过几个层，最后给出输出。神经网络的典型训练过程如下：定义具有一些可学习参数的神经网络（或权重） 迭代输入数据集 通过网络处理输入 计算损失（输出距离正确有多远） 将梯度传播回网络的参数 更新

之前的内容已经学习了如何定义神经网络、计算损失和更新网络的权重。 现在我们可以完整的训练一个分类器。我们将按顺序执行以下步骤：使用加载和规范化 CIFAR10 训练和测试数据集 torchvision 定义卷积神经网络 定义损失函数 在训练数据上训练网络 在测试数据上测试网络1、获取数据通常，当我们必须处理图像、文本、音频或视频数据时， 可以使用将数据加载到 numpy 数组中的标准 python 包。 然后将此数组转换为 torch.*Tensor类型。对于图像，Pillow、O

这一节的内容，将研究如何通过保存、加载和运行预测模型来保持模型状态。导入相应的包：import torchimport torchvision.models as models1、 保存和加载模型权重PyTorch 模型将学习到的参数存储在称为 state_dict 的内部状态字典中。 这些参数可以通过 torch.save 方法保存起来：model = models.vgg16(pretrained=True)#创建预训练模型vgg16，实例化torch.save(model.st

现在我们有了模型和数据，是时候通过优化数据参数来训练、验证和测试我们的模型了。训练一个模型就是一个迭代的过程，在每次迭代(称为epoch)中，模型对输出进行猜测，计算猜测中的误差(损失)，收集误差对其参数的导数(前一节中自动微分一样)，并使用梯度下降优化这些参数。1、先决条件代码从前面关于数据集和数据装载器以及构建模型的章节中加载代码。PyTorch基础-自定义数据集和数据加载器（2）_一只小小的土拨鼠的博客-CSDN博客pytorch基础-构建简单的神经网络（4）_一只小小的土拨鼠的博..

在训练神经网络时，最常用的算法是反向传播。在该算法中，参数（模型权重）根据损失函数相对于给定参数的梯度进行调整。为了计算这些梯度，Pytorch有一个名为 torch.autograd 的内置微分引擎。它支持自动计算任何计算图形的梯度。本例中考虑最简单的单层神经网络，输入x，参数w和b，以及一些损失函数。可通过以下方式在PyTorch中定义：import torchx = torch.ones(5) # input tensor，返回一个全为1 的张量，形状由可变参数sizes定义y = to

神经网络由对数据执行操作的层/模块组成。 模块 torch.nn命名空间提供了建立自己的神经网络需要的所有构建 。pytorch中的每个模块都是 nn.Module 的子类。神经网络是一个是由其他模块（层）组成的模块。 这种嵌套结构允许轻松构建和管理复杂的架构。在接下来的部分中，将构建一个神经网络来对 FashionMNIST 数据集中的图像进行分类。（1）导入训练神经网络所需要的包import osimport torchfrom torch import nnfrom torch.

在上一节中自定义的数据集或者预加载的数据集得到的数据，并不总是以最终处理的形式出现在训练机器学习算法中。所以需要使用 变换 来处理数据并使其适合训练。所有 TorchVision 数据集都有两个参数，torchvision.transforms 模块提供开箱即用的几个常用转换：（1）transform修改功能和 target_transform修改标签（2）接受包含转换逻辑的可调用对象。FashionMNIST 特征是 PIL 图像格式，标签是整数。 对于训练，需要将特征作为归一化张量，并将标签

ETL是用来描述将数据从来源端经过抽取、转换、加载至目的端的过程。在机器学习中处理数据集的流程为： 提取：从数据源提取数据。 转换：将我们的数据转换为张量形式。 加载：将我们的数据放入对象以使其易于访问。 一、加载数据集PyTorch 提供了两个数据原语： 分别是 torch.utils.data.Dataset和torch.utils.data.DataLoader可以在预加载的数据集或者自己的数据集上使用。其中Dataset表示存储样本及其对应的标签，用...

一、什么是张量tensor?张量是一种特殊的数据结构，与数组和矩阵非常相似。类似于Numpy 的ndarray。 在 PyTorch 中，我们使用张量对模型的输入和输出以及模型的参数进行编码。 张量都可以通过Numpy来定义、操作，通常存储在Nunpy数组，所以这就需要我们把数据转换为Numpy数组，目的就是把所有的输入数据转变为一个统一的标准，以便能够容易的处理。张量是根据一共具有多少坐标轴来定义。比如可以把二维张量看作为一个带有行和列的数字网格。这个行和列表示两个坐标轴，一个矩阵就是二维张量，矩

出现这种情况有两种情况，所以有两种解决方案文件名称不能和常用的包取同样的名字比如说问题中的 ndarry 与你创建的.py文件重名，把ndarry文件名改掉就可以了.过低没有安装指定版本的numpy或者版本这里我安转了指定版本的numpyconda update numpy=1.20.1运行成功...

疫情反复，想必大家都有很多切身的居家办公体验了。为了展示大家丰富的居家办公生活，特联合CSDN官方，发起 “CSDN首届花式居家办公大赛” 。 本社区活动参与主题为 【居家美食】 ，截止到2022/6/6 12:00，会按大家在本帖下方晒工位图

疫情反复，想必大家都有很多切身的居家办公体验了。为了展示大家丰富的居家办公生活，特联合CSDN官方，发起 “CSDN首届花式居家办公大赛” 。 本社区活动参与主题为 【萌宠 partner】 ，截止到2022/6/6 12:00，会按大家在本帖

疫情反复，想必大家都有很多切身的居家办公体验了。为了展示大家丰富的居家办公生活，特联合CSDN官方，发起 “ CSDN首届花式居家办公大赛 ”。 本社区活动参与主题为【 工位show 】，截止到2022/6/6 12:00，会按大家在本帖下方晒工位图