不同的损失函数在不同的应用场景和问题中可能有不同的优势和劣势。平均绝对误差（Mean Absolute Error，MAE）：MAE计算的是模型预测值与实际值之间差异的绝对值的均值。它计算的是模型预测值与实际值之间差异的平方和的均值。针对不同的损失函数对分类精度的问题，提出用代码来实现来验证的方法，通过百度以及在csdn上查询资料了解到这两个问题后，证明该方法是有效的，通过在这个问题我们学习到了不

卷积可以提取图像的局部特征，池化则可以降低特征图的维度并提高模型的泛化能力。对于较小的数据集，较小的卷积核和池化大小可能更合适，因为较小的模型可以减少过拟合的风险。对于较大的数据集，较大的卷积核和池化大小可能更合适，因为这样可以提高模型的特征提取能力和泛化能力。特征提取：卷积操作可以捕捉到图像中的局部特征，通过卷积核在图像上滑动，对每个像素点进行运算，从而提取出有效的特征。这种参数共享的方式可以大

通过本周上课学习和课下练习，我们小组了解到了flatten的参数的具体应用flatten只能适用于numpy对象，即array或者mat，普通的list列表不适用。同时了解到神经网络是一个很大的知识板块，在看它思维导图的时候能够很直观的感受到其种类的多样，目前也只是了解到它大概分为七个板块。也看到了它的思维导图，大致可以分为这几个大类单层神经网络， 前馈神经网络， 反馈型神经神经网络， 自组织神经

在一个epoch中，通过遍历每个批次，将批次中的样本输入神经网络进行前向传播和反向传播，然后更新网络的参数，直到遍历完所有批次。配置调试器：在VSCode的侧边栏中，点击调试按钮，然后点击左上角的齿轮图标，选择"Python"作为调试环境。设置断点：在神经网络代码中选择想要设置断点的行，可以是某个具体的前向传播或反向传播的步骤，或者其他需要调试的代码片段。启动调试会话：将光标放在要调试的代码行，然

在深度学习模型的效果评估中，精确率（Precision），召回率（Recall）和F1分数（F1-score）是非常重要的指标。例如，Scikit-learn库提供了precision_score、recall_score和f1_score等函数，方便快速地计算精确率、召回率和F1分数。可以使用precision_score、recall_score和f1_score函数计算精确率、召回率和F1分

欠拟合是指模型的复杂度小于真实的复杂度，模型不能够表达真实的情况，这可以通过增加模型的复杂度或增加训练数据来解决。过拟合则是指模型的复杂度大于真实的复杂度，模型在训练数据上表现很好，但在测试数据上表现很差，这可以通过使用更简单的模型、增加数据量、使用正则化技术等方法来解决。TP (True Positive)：表示实际为正例，判定也为正例的次数，即表示判定为正例且判定正确的次数。在所有正类样本中，

针对计算平衡F分数f1-score的问题，提出从sk-learn中导入f1_score库来计算，通过查阅资料，发现该方法是有效的，本文中没有详细介绍精确率precision和召回率recall的计算方法，并且计算平衡F分数f1-score没用通过综合Precision与Recall的结果来得到，而是用第三方库。其数值为精确率和召回率的调和平均数，数学表达式为：f1-score = 2/ (1/P+

欢迎点击「算法与编程之美」↑关注我们！本文首发于微信公众号："算法与编程之美"，欢迎关注，及时了解更多此系列文章。提出问题1、图像预处理的意义在分析图像问题时，由于环境和...

1 配置问题（1）.针对于电脑中配备有GPU，且有深度学习需求，搭建一个可用无污染的深度学习环境。（2）.按照Anaconda3 + CUDA10.0 + CuDNN + Pytorch1.2 + Pycharm配置。（3）.解决配置Pytorch中无法使用torchvision库的问题。2 搭建过程（1）.安装Anaconda。按照自己电脑的需求下载，下载完成后，解压安装包，按照指示一步一步完成

欢迎点击「算法与编程之美」↑关注我们！本文首发于微信公众号："算法与编程之美"，欢迎关注，及时了解更多此系列文章。欢迎加入团队圈子！与作者面对面！直接点击！1卷积的定义卷...