基于 PyTorch 框架使用神经网络实战手写数字识别1 torch和torchvision1.1 torchvision 包1.2 torch.transforms1.3 torchvision.datasets2 数据预览和数据装载【关于 torchvision.utils.make_grid：】【关于 numpy 和 transpose：】3 模型搭建和参数优化3.1 搭建卷积神经网络模型【

2021李宏毅机器学习（4）：卷积神经网络CNN1 前言2 简化方法1：Receptive field（感受野）1 前言图片一般用的是三维的张量，也就是：三维就是　长度＊高度＊通道数，在长宽里面每一个长度、宽度都包含了一个像素，像素里面包含了三个数字（RGB这三个通道的），为了能够输入进神经网络，就把这三维拉直成一个tensor：从图片可以看出，这样的数据量其实是非常巨大的，于是我们想要简化。那么

深度学习PyTorch笔记（11）：线性神经网络5 线性神经网络5.1 线性回归5.1.1 线性回归的基本元素5.1.2 解析解5.1.3 数值解5.2 线性回归的从零开始实现5.2.1 生成数据集5.2.2 读取数据5.2.3 建立模型5.3 线性回归的简洁实现5.3.1 生成数据集5.3.2 读取数据5.3.3 建立模型这是《动手学深度学习》（PyTorch版）（Dive-into-DL-Py

深度学习计算机视觉理论基础（PyTorch）1 神经网络与cv1.1 经典的人工神经元模型：M-P 模型1.2 感知机（Perceptron）的诞生1.3 计算机视觉2 深度神经网络基础2.1 监督学习和无监督学习2.1.1 监督学习（Supervised Learning）（1）回归问题（2）分类问题2.1.2 无监督学习（Unsupervised Learning）2.1.3 小结2.2 欠拟

2021李宏毅机器学习（5）：Domain Adaptation1 Domain Shift2 Domain Adaptation2.1 Basic Idea——寻找 Feature Extractor2.2 Domain Adversarial Training2.2.1 Feature Extractor2.2.2 Domain Classifier2.2.3 Limitation2.2.4

2021李宏毅机器学习（4）：卷积神经网络CNN1 前言2 简化方法1：Receptive field（感受野）1 前言图片一般用的是三维的张量，也就是：三维就是　长度＊高度＊通道数，在长宽里面每一个长度、宽度都包含了一个像素，像素里面包含了三个数字（RGB这三个通道的），为了能够输入进神经网络，就把这三维拉直成一个tensor：从图片可以看出，这样的数据量其实是非常巨大的，于是我们想要简化。那么

内容也和前面的一样，是关于网上一个免费小课（来自点头AI）的整理。

在看西瓜书的时候有些地方的数学推导（尤其是概率论的似然、各种分布）让我很懵逼，本科的忘光了，感觉有点懂又不太懂，基于此，干脆花一点时间简单从头归纳一下机器学习中的数学基础，也就是高数、线代、概率论（其实大学都学过）。本文全部都是基于我自己的数学基础、尽量用方便理解的文字写的，记录的内容都是我本人记忆不太牢靠、需要时常来翻笔记复习的知识，已经完全掌握的比如极限连续性啥的都不会出现在这里。学习内容来自

在看西瓜书的时候有些地方的数学推导（尤其是概率论的似然、各种分布）让我很懵逼，本科的忘光了，感觉有点懂又不太懂，基于此，干脆花一点时间简单从头归纳一下机器学习中的数学基础，也就是高数、线代、概率论（其实大学都学过）。本文全部都是基于我自己的数学基础、尽量用方便理解的文字写的，记录的内容都是我本人记忆不太牢靠、需要时常来翻笔记复习的知识，已经完全掌握的比如极限连续性啥的都不会出现在这里。

深度学习PyTorch笔记（6）：Tensor与NumPy、标量的转换1.5 Tensor和NumPy相互转换1.5.1 Tensor转NumPy1.5.2 Numpy转Tensor1.5.3 直接用torch.tensor()将NumPy数组转换成Tensor1.6 将大小为1的张量转换为Python标量这是《动手学深度学习》（PyTorch版）（Dive-into-DL-PyTorch）的学习