U为源点 S为未添加数组 邻接矩阵存放的是权值，创建dist[]数组，用来存放结点间的距离，首先将v结点加入U集合，之后更新dist[]数组的数值，再在U-S集合中找到一个权值最小的结点x,遍历x这一行，查看x到各个结点的距离，当x结点到m结点距离为5，此时用这个5去和dist[]数组到x的距离相加，如果相加得到的值比dist[]数组中的值小，则用这个值更新diist[]数组中到m中的权重值 ；

pytorch加载图片数据集有两种方法。1.ImageFolder 适合于分类数据集，并且每一个类别的图片在同一个文件夹, ImageFolder加载的数据集， 训练数据为文件件下的图片， 训练标签是对应的文件夹， 每个文件夹为一个类别在Flower_Orig_dataset文件夹下有flower_orig 和 sunflower这两个文件夹， 这两个文件夹下放着同一个类别的图片。 使用 Imag

残差网络块为： 首先有输入通道， 输出通道， 用一个变量接受输入的x， 只有另一条路对这个x进行卷积运算。

先看一眼我们拿到的数据: 在数据中有浮点数， 有字符串, 现在我们要做的就是制作满足pytorch条件的数据集。1.先加载数据集2.选出我们需要的行3.将字符串类型数据转换成浮点数型4.将数据集保存在新的excel文件中1.使用pd.read_excel()方法读取excel表格中的数据#读取到excel文件中的数据集path = r'D:\数据集\泰坦尼克号\泰坦尼克号.xls'all_df =

1.我们使用vgg11网络做示例， 看一下网络结构：加载本地的模型：vgg16 = models.vgg16(pretrained=False)#打印出预训练模型的参数vgg16.load_state_dict(torch.load('vgg16-397923af.pth'))加载库中的模型import torchimport torch.nn as nnfrom torchvision impo

邻接矩阵深度广度优先遍历

1.我们使用vgg11网络做示例， 看一下网络结构：加载本地的模型：vgg16 = models.vgg16(pretrained=False)#打印出预训练模型的参数vgg16.load_state_dict(torch.load('vgg16-397923af.pth'))加载库中的模型import torchimport torch.nn as nnfrom torchvision impo

pytorch加载图片数据集有两种方法。1.ImageFolder 适合于分类数据集，并且每一个类别的图片在同一个文件夹, ImageFolder加载的数据集， 训练数据为文件件下的图片， 训练标签是对应的文件夹， 每个文件夹为一个类别在Flower_Orig_dataset文件夹下有flower_orig 和 sunflower这两个文件夹， 这两个文件夹下放着同一个类别的图片。 使用 Imag