x1=torch.max(x,dim=1,keepdim=True)# 当 keepdim=True 时，计算均值后，输出张量将保持被约简的维度，但该维度的大小将为 1。也就是说，结果张量会保留原始张量的形状结构，只是被约简的维度变为 1。# 混合注意力机制（Hybrid Attention Mechanism）是一种结合空间和通道注意力的策略，旨在提高神经网络的特征提取能力。# CBAM是一种轻

设置卷积层的时候 加一个 传入一个参数dilation=N 表示两个卷积核 每一个格子之间空N一1格 当N=1时 相当于普通的卷积 当膨胀卷积核跟传入的数据大小相同时 逻辑上相当于全连接 卷积核大小增加了 N-1。# 深度可分离卷积 每一个通道 先用一个卷积核 卷积 得到 数量为通道数的 没有通道融合的特征图 然后 再用1*通道数的卷积核去按照一个通道的一叠卷积 然后得到一张特征图 （卷积核参数少

P(X1,X2,X3,X4,X5|A)=P(X1|A)*P(X2|A)*P(X3|A)*P(X4|A)*P(X5|A)*P(A)/(P(X1)*P(X2)*P(X3)*P(X4)*P(X5)) #这个式字就可以 用数据集计算出来了。# 朴素贝叶斯 假设各个特征之间全部独立 P(A*B*C*D*E)=P(A)*P(B)*P(C)*P(D)*P(E)x["sex"] = x["sex"].map({"

把上层的特征图 自动卷积为 1X1的通道数不变的特征图 然后给每一个通道乘一个权重 就分配了各个通道的注意力 把这个与原图残差回去 与原图融合 这样对比原图来说 形状 CHW都没变。# 可以把SE模块加入到经典的CNN模型里面 有残差模块的在残差模块后面加入SE 残差模块的输出 当SE模块的输入。# 在卷积后的数据与原数据相加之前 把卷积的数据和 依靠卷积后的数据产生的SE模块的数据 相乘 然后再

比如: 有10000个样本,选出7个到样本A的距离最近的,然后这7个样本中假设:类别1有2个,类别2有3个,类别3有2个.那么就认为A样本属于类别2,因为它的7个邻居中 类别2最多(近朱者赤近墨者黑)# 使用工具的split方法分割传入x，y 返回的是一个迭代器 for循环迭代器 每次的结果一个元组 里面是train数据的下标 和test数据的下标。# 比如说：原始数据有3类，比例为1:2:1，采

误差反向传播算法（Back Propagation）是其中最杰出的代表，它是目前最成功的神经网络学习算法。# 大多是在使用 BP 算法进行训练，值得指出的是 BP 算法不仅可用于多层前馈神经网络，还可以用于其他类型的神经网络。# 每一层都有自己的损失函数和W 每一层都可以做w新=w旧-lr*g求每一层的w的时候上面层的w都是知道的 所以求这一层的导函数就行 链式到输入层。# MAE通常用于需要对误

10分类的验证结果 做一个DF 行 为一条记录列名为 分类名和预测的结果这一个类的概率 预测结果和实际结果 这样可以跟直观的观察每一个验证过程。# 报表模块的使用 sklearn 里面的 metrics 的classification_report 生成 准确度 精确度 召回率 F1分数。# 召回率真的正向/全部的真值为正向的TP/(TP+FN)(TP+FN)是本来是正向的 被预测是正向或者负向。

误差反向传播算法（Back Propagation）是其中最杰出的代表，它是目前最成功的神经网络学习算法。# 大多是在使用 BP 算法进行训练，值得指出的是 BP 算法不仅可用于多层前馈神经网络，还可以用于其他类型的神经网络。# 每一层都有自己的损失函数和W 每一层都可以做w新=w旧-lr*g求每一层的w的时候上面层的w都是知道的 所以求这一层的导函数就行 链式到输入层。# MAE通常用于需要对误

transforms1=transforms.Compose([transforms.ToTensor(),transforms.Resize((32,32))]) # transforms.Compose（）方法为transforms组合转化器 里面传入一个列表 列表里面的元素是 transforms的转化器。#"architecture": "CNN", # 模型是CNN。#"dataset"

- 激活函数（Activation Function）: 用于将加权求和后的结果转换为输出结果，**引入非线性特性，使神经网络能够处理复杂的任务**。# 全连接（Fully Connected，FC）神经网络是**前馈神经网络**的一种，每一层的神经元与上一层的所有神经元全连接，常用于图像分类、文本分类等任务。# **优点**：平衡了输入和输出的方差，适合$$Sigmoid$$ 和 $$Tanh$