PyTorchPyTorch是一个开源的python机器学习库PyTorch的前身是Torch，其底层和Torch框架一样，使用Python重新写了很多内容更加灵活，支持动态图，是一个以Python优先的深度学习框架，不仅能实现强大的GPU加速，同时还支持动态神经网络。张量PyTorch中所有的操作都是在张量的基础上进行的，可以说是PyTorch的基本单位一、 张量的定义1. 创建随机的张量初始化

图片卷积图像滤波是尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。线性滤波是图像处理最基本的方法，它允许我们对图像进行处理，产生很多不同的效果。首先，我们需要一个二维的滤波器矩阵(卷积核)和一个要处理的二维图像。然后，对于图像的每一个像素点，计算它的邻域像素和滤波器矩阵的对应元素的乘积，然后加起来，

加载手写数字的数据组成训练集和测试集，这里已经下载好了，所以download为Falseimport torchvision# 是否支持gpu运算# device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')# print(device)# print(torch.cuda.is_available())# 加载训练集

PyTorch在前面使用纯手工做了线性回归，线性回归的问题其实就是求解损失函数最小的情况下的w值。在PyTorch里面很多的函数都进行了封装，我们直接用就可以。损失函数手写损失函数def loss(y, y_pred):"""损失函数"""# (真实值 - 预测值)^2 的平均值return ((y_pred - y)**2).mean()PyTorch封装的损失函数损失函数就是计算 （预测值-真

什么是梯度？在一元函数中,某点的梯度标的就说某点的导数. 在多元函数中某点的梯度表示的是由每个自变量所对应的偏导数所组成的向量在前面的线性回归中 就像y = wx + b方程中求出w参数最优的解，就需要对w参数进行偏导数的求取，然后通过偏导数的值来调整w参数以便找到最优解。自动计算梯度和偏导数在PyTorch中可以使用torch.autograd.backward()方法来自动计算梯度在定义张量时

什么是数据加载器？深度学习是由数据支撑起来的，所以我们一般在做深度学习的时候往往伴随着大量、复杂的数据。如果把所有的数据全部加载到内存上，容易把电脑的内存“撑爆”，所以要分批次一点点加载数据每一种深度学习的框架都有自己所规定的数据格式，数据加载器就有了必要的作用数据加载器就是把大量的数据，分批次加载和处理成框架所需要的数据格式数据分批次加载使用PyTorch内置的模块 torch.utils.da

图像二值化（ Image Binarization）就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。二值化的原理import cv2img = cv2.imread('img/lena.jpg')# 转为灰度图new_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)height, width = new_img.sha

什么是计算机视觉机器视觉是人工智能的一个分支。直白的说就是用机器来代替人类看到的东西做思考和测量，然后做出正确的判断。OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和

修改索引修改索引之前是自动生成的索引：使用set_index('以xx字段为索引',inplace=True)设置索引：inplace为True不用给新变量赋值，使用旧的变量名发现索引就已经被改变打开文件时就生成索引：index_col='以xx字段为索引'重置索引：reset_index()DataFrame修改行名和列名通过rename方法修改：提取index和columns属性修改再赋值：.

图像二值化（ Image Binarization）就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。二值化的原理import cv2img = cv2.imread('img/lena.jpg')# 转为灰度图new_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)height, width = new_img.sha