《Python深度学习》第五章-6（可视化类激活图）读书笔记卷积神经网络学到的表示非常适合可视化，很大程度上是因为它们是视觉概念的表示\color{red}视觉概念的表示视觉概念的表示。接下来介绍3种可视化方法。事中\color{blue}事中事中：可视化卷积神经网络的中间输出（中间激活）\color{red}可视化卷积神经网络的中间输出（中间激活）可视化卷积神经网络的中间输出（中间激活）：有助于

1. PyTorch构建深度学习网络一般步骤加载数据集\color{red}加载数据集加载数据集；定义网络结构模型\color{red}定义网络结构模型定义网络结构模型；定义损失函数\color{red}定义损失函数定义损失函数；定义优化算法\color{red}定义优化算法定义优化算法；迭代训练\color{red}迭代训练迭代训练；在训练阶段主要分为四个部分。前向过程，计算输入到输出的结果。由

1. 如何彻底的卸载anaconda（包括配置文件）安装 Anaconda-Clean package打开 Anaconda Prompt， 输入如下命令：conda install anaconda-clean输入如下命令卸载anaconda-clean --yes直接运行安装目录下的 Uninstall-Anaconda3.exe 即可，但是这样卸载并没有完全卸载。2. windows10下C

运动模糊I = imread('Fig0525(a)(aerial_view_no_turb).tif');figure,subplot(1,2,1);imshow(I);title('原图像');%T = rgb2gray(M);figure;imshow(I);PSF = fspecial('motion',20,15);J = imfilter(I,PSF,'co

Torch vs Numpy1. numpy, torch 之间的转换Torch 自称为神经网络界的 Numpy, 因为他能将 torch 产生的 tensor 放在 GPU 中加速运算 (前提是你有合适的 GPU), 就像 Numpy 会把 array 放在 CPU 中加速运算. 所以神经网络的话, 当然是用 Torch 的 tensor 形式数据最好咯. 就像 Tensorflow 当中的 t

pytorch学习-7：RNN 循环神经网络（分类）1. 加载MNIST手写数据1.1 数据预处理2. RNN模型建立3. 训练4. 预测参考循环神经网络让神经网络有了记忆, 对于序列话的数据,循环神经网络能达到更好的效果.1. 加载MNIST手写数据import torchfrom torch import nnimport torchvision.datasets as dsetsimport

《Python深度学习》第五章-6（可视化类激活图）读书笔记卷积神经网络学到的表示非常适合可视化，很大程度上是因为它们是视觉概念的表示\color{red}视觉概念的表示视觉概念的表示。接下来介绍3种可视化方法。事中\color{blue}事中事中：可视化卷积神经网络的中间输出（中间激活）\color{red}可视化卷积神经网络的中间输出（中间激活）可视化卷积神经网络的中间输出（中间激活）：有助于

5.4　卷积神经网络的可视化卷积神经网络学到的表示非常适合可视化，很大程度上是因为它们是视觉概念的表示\color{red}视觉概念的表示视觉概念的表示。接下来介绍3种可视化方法。可视化卷积神经网络的中间输出（中间激活）\color{red}可视化卷积神经网络的中间输出（中间激活）可视化卷积神经网络的中间输出（中间激活）：有助于理解卷积神经网络连续的层如何对输入进行变换，也有助于初步了解卷积神经网

7. 核方法（Kernel Method）7.1 背景介绍7.1.1 概述问题引出线性可分的数据有时夹杂一点噪声，可以通过改进算法来实现分类，比如感知机的口袋算法和支持向量机的软间隔。但是有时候数据往往完全不是线性可分的，比如下面这种情况：在异或问题中数据往往不是线性可分的，但通过将数据映射到高维空间后就可以实现线性可分。可以认为高维空间中的数据比低维空间的数据更易线性可分。因此，对于异或问题，我

8. 指数族分布8.1 背景8.1.1 指数族分布的基本形式