WESAD多模态情感识别数据集[1] Philip Schmidt, Attila Reiss, Robert Duerichen, Claus Marberger and Kristof Van Laerhoven. 2018. Introducing WESAD, a multimodal dataset for Wearable Stress and Affect Detec

提炼《神经网络与深度学习》中的内容

提炼《神经网络与深度学习》中的内容

WESAD多模态情感识别数据集[1] Philip Schmidt, Attila Reiss, Robert Duerichen, Claus Marberger and Kristof Van Laerhoven. 2018. Introducing WESAD, a multimodal dataset for Wearable Stress and Affect Detec

本文首先介绍了机器学习开发环境Anaconda和交互式编辑器jupyter notebook，其次对python数据处理库numpy和可视化库matplotlib进行了介绍，并给出详细的例子进行说明，本文中用到的所有代码均经过调试，可正常运行。

机器学习中的最优化方法最优化方法就是寻找函数的极值点。机器学习和深度学习模型的训练本质上就是在通过已有的数据拟合一个函数，使这个函数能尽可能地反应出数据的内在规律，从而能更好的预测给定输入的输出结果。函数都会有自变量、因变量和参数，当一个函数的参数确定了，那函数的形状就确定了，因此模型训练就是在训练参数。以线性回归为例：模型所做的工作就是确定一条直线的参数，也就是斜率和截距，使这条直线尽可能多的穿

更换yum源可能会导致软件包版本变更或不可用，请谨慎操作。5.完成yum源的更换。

提炼《神经网络与深度学习》中的内容

环境：py36+pytorch1.10.2+tensorboardx2.51.配置tensorboardX环境1.进入py36环境，pip install tensorboardX2.conda 创建一个新的环境 假设名为tf ,在tf中pip install tensorboard3.找到tf环境所在路径，如下列代码所示D:\MiniConda3\envs\tf\Scripts4.将此路径放到环

WESAD多模态情感识别数据集[1] Philip Schmidt, Attila Reiss, Robert Duerichen, Claus Marberger and Kristof Van Laerhoven. 2018. Introducing WESAD, a multimodal dataset for Wearable Stress and Affect Detec