梯度下降1、什么是梯度1、变化率最快的方向对于一元函数来说（这里X0处左右极限存在且相等）对于多元函数来说关于梯度下降，相信很多小伙伴都知道，模型训练中梯度方向是函数变化率最快的方向，这是用于优化模型的一个重要原因。但是梯度方向为什么是函数变化率最快的方向？相信很多人不知道，这里是我参照B站上深度之眼的一篇文章给出自己的理解，也希望自己在深度学习这条路上走的更远。1、什么是梯度从微积分层面上来说梯

关联规则挖掘与算法一、事务数据库：二、支持度与频繁项目集：如表所示交易数据库，其项集 I={a,b,c,d,e}，T购买的商品t1a,b,c,dt2b,c,et3a,b,c,et4b,d,et5a,b,c,d1、支持度：例：{a,b}在D上的支持度为：3/5{b,d}在D上的支持度为:3/52、频繁项目集(1)频繁项...

PIL，cv2读取类型，以及PIL，numpy，tensor格式以及cuda，cpu的格式转换1、PIL，cv2读取数据图片以及之间的转换2、PIL，数组类型以及tensor类型的转换1、PIL，cv2读取数据图片以及之间的转换这里先列个表格方便理解清楚：cv2PIL读取a=cv2.imread()a=Image.open()读取类型数组类型PIL类型读取颜色通道BGRRGB读取尺寸排列（H,W,

这里建议使用一个训练好的模型进行可视化，这样可视化出来的结果可以帮助观察出一些潜在的特性的（我这里采用的是AlexNet预训练模型）。这里简单进行一个梳理：第一层卷积核：torch.Size([64, 3, 11, 11])，输出通道数：64, 对应卷积核的数量输入通道数：3, 对应卷积核的通道数卷积核宽：11,卷积核高：11单通道卷积核可视化多通道卷积核可视化见下图：代码如下：补充操作运行代码后

模型结构可视化分析很多时候需要得知自己所构建模型的结构，参数，所占存储容量等，下面介绍几个可视化的参数工具1、pytorch-summary（包含每一层的输入输出形状，参数量，以及所占存储量大小）（1）pip install torchsummary 安装相关库（2）举例说明：import torchimport torch.nn as nnimport torch.nn.functional a

关联规则挖掘与算法一、事务数据库：二、支持度与频繁项目集：如表所示交易数据库，其项集 I={a,b,c,d,e}，T购买的商品t1a,b,c,dt2b,c,et3a,b,c,et4b,d,et5a,b,c,d1、支持度：例：{a,b}在D上的支持度为：3/5{b,d}在D上的支持度为:3/52、频繁项目集(1)频繁项...

transforms的相关操作（Pytorch）一、图像的相关变化1、格式转换（1）transforms.ToTensor()（2）transforms.ToPILImage()1、图像大小（1）一、图像的相关变化1、格式转换（1）transforms.ToTensor()可将PIL格式、数组格式转换为tensor格式img_path = "E:\expression_recognition\\2