目录0. 从书中截取的一些重要内容1. 一些知识点2. 实现线性回归2.1 numpy实现线性回归2.2 利用PyTorch实现线性回归3. 实现手写数字识别MNIST3.1 准备数据3.2可视化数据源3.3构建模型3.4训练模型4. 优化器比较5. 数据加载、预处理流程6. tensorboardX可视化工具7. GPU加速8. 卷积神经网络CNN9. 清除图像中的雾霾10. PyTorch提供

1、《Python深度学习基于PyTorch》吴茂贵中提到的分享链接 http://www.feiguyunai.com/，QQ交流群（871065752）分享了Python、人工智能、数据库等学习资源。其中“参考资料库”部分的有几个链接我很喜欢，真的是满满的干货。labuladong在知乎上介绍各种算法（在github有近74k star）labuladong的Github地址：https://

包的位置，其实就是代码写得有点奇怪然后没有找到路径。：会出现这报错，是因为程序没有根据找到。：会出现这个错，是因为在。右侧的base.py在。下，然后运行就可以了。

1）移动已经在Anaconda 2022.05(win-64)的虚拟环境安装位置 2）修改Anaconda安装虚拟环境的默认位置 3）安装tensorflow-gpu2.6.0，cuda=11.3

自用！没有太大的学习价值

神经网络(Neuralnetworks,NN)是在某些输入数据上执行的嵌套函数的集合。这些函数由参数（由权重w和偏差b组成）定义，在PyTorch中存储在张量中。为了能够计算损失函数相对于这些变量的梯度，设置了这些张量的属性，只有才能计算梯度并进行传递。停止跟踪梯度计算通过用torch.no_grad()块包围我们的计算代码或者，直接在张量上使用detach()禁用原因将神经网络中的某些参数标记为

目录参考地址1. 均匀分布 XXX ~ U(a,b)U(a,b)U(a,b)2. 正态分布 XXX ~ N(mean,std2)N(mean,std^2)N(mean,std2)3. 初始化为常量constant、ones、zeros、eye、dirac4. Glorot initialization：xavier_uniform_()和xavier_normal_()5. He initiali

目录1. 参考链接2. 更改方法3. 一个小技巧1. 参考链接Pytorch更改预训练权重下载位置pytorch———修改预训练模型下载路径2. 更改方法在线加载的预训练权重默认存放位置在：C:\Users\[用户名]\.cache\torch\hub\checkpoints方法1：在某个.py文件最上方加上以下代码import os# 更改预训练下载位置os.environ['TORCH_HOM

可以说成：整个权重文件包含了网络结构和参数，那么这个训练好的权重文件可直接使用，用于嵌入到某些平台或设备上就可以使用了，如果没有训练好的参数，单纯就一个网络结构那在应用中也是没有作用的。那就可以说成是：网络结构定义好了就是一个模型，可用于训练。

mAP是用于评估目标检测算法性能的指标，它是所有类别的平均精度（Average Precision）的均值。精度是通过计算检测结果与真实标注框之间的重叠度（IOU，Intersection over Union）来衡量的，它表示检测结果的准确性。mAP的取值范围是0%到100%，其中100%表示最佳性能，0%表示最差性能。F1分数是一种常用的评估指标，主要用于衡量二分类模型的性能。它综合考虑了模型