Fashion-MNIST中包含的10个类别，分别为t-shirt（T恤）、trouser（裤子）、pullover（套衫）、dress（连衣裙）、coat（外套）、sandal（凉鞋）、shirt（衬衫）、sneaker（运动鞋）、bag（包）和ankle boot（短靴）。Fashion-MNIST由10个类别的图像组成， 每个类别由训练数据集（train dataset）中的6000张图像

Python Markdown：允许在markdown单元格中嵌入Python代码。或者使用conda（跳过第2步骤，同时安装JavaScript和CSS文件）Table of Contents (2)主要参数：在侧边栏或者顶部显示目录。Live Markdown Preview：实时预览markdown的输出。进入其中一篇 jupyter notebook，点击目录生成。点击Nbextensio

由斯坦福教授李飞飞小组的研究人员开发，利用谷歌图像搜索对每一类图像进行预筛选，并利用亚马逊众包来标注每张图片的相关类别。其有100万个样本中训练模型，以区分1000个不同类别的对象。卷积神经网络中的计算瓶颈：卷积和矩阵乘法，都是可以在硬件上并行化的操作。GPU比CPU快几个数量级。采用ReLU激活函数。

可以看到emotion和Usage中获取训练集、测试集的数据量不是按多少进行排序。按多列进行分组，emotion和Usage中获取训练集、测试集的数据量，多索引。按照从小到大的顺序进行排序，通过by属性（Usage.agg([len]）方法是agg() ，它允许在 DataFrame 上运行一堆不同的函数。多索引方法是转换回常规索引的方法，即reset_index()方法。使用groupby()获

【代码】动手学深度学习——图像分类数据集。

Sequential 的 forward() 方法接受任何输入并将其转发到它包含的第一个模块。然后，它将输出“链接”到每个后续模块的输入，最后返回最后一个模块的输出。如受影响，请参阅特定模块在培训/评估模式下的行为详情，例如： Dropout 、 BatchNorm 等。如受影响，请参阅特定模块在培训/评估模式下的行为详情，例如： Dropout 、 BatchNorm 等。因此，如果模块在优化时

没有的话在用户文件夹下创建一个 pip 文件夹和 在pip文件夹下创建一个 pip.ini （注意显示后缀名为.ini）2、以记事本或其他形式打开，粘贴以下内容并保存。1、在Windows中，配置文件通常位于。2、使用清华源进行安装（暂时）3、验证pip是否使用新的源。

过渡层可以用来控制模型复杂度，它通过1x1卷积层来减小通道数，并使用步幅为2的平均汇聚层减半高和宽，从而进一步降低模型复杂度。在前向传播中，将每个卷积块的输入和输出在通道维上连结。在每个模块之间，ResNet通过步幅为2的残差块减小高和宽，DenseNet则使用过渡层来减半高和宽，并减半通道数。DenseNet使用4个稠密块，稠密块里的卷积层通道数（即增长率）设为32，所以每个稠密块将增加128个

3、通过values属性，我们可以 从pandas格式中提取NumPy格式，并将其转换为张量表示用于训练。3、对于每个样本：删除第一个特征ID，因为其不携带任何用于预测的信息。k折：5，迭代轮数：100，学习率：5，权重：0，批量大小：64。是一个当今流行举办机器学习比赛的平台，这里是房价预测比赛页面。2、使用定义的脚本下载并缓存Kaggle房屋数据集。3、进行训练，优化器借助Adam优化器。2、

LeNet、AlexNet和VGG都有一个共同的设计模式：通过一系列的卷积层与汇聚层来提取空间结构特征；然后通过全连接层对特征的表征进行处理。如果在过程的早期使用全连接层，可能会完全放弃表征的空间结构。而NiN（网络中的网络）提供了一个非常简单的解决方案：在每个像素的通道上分别使用多层感知机。