深度学习：基于python第5章 误差反向传播法5.1 计算图5.1.1　用计算图求解5.1.2　局部计算5.1.3　为何用计算图解题5.2 链式法则5.2.1 计算图的反向传播5.2.2　什么是链式法则5.2.3　链式法则和计算图*5.3 反向传播5.3.1　加法节点的反向传播5.3.2　乘法节点的反向传播5.3.3　苹果的例子*5.4 简单层的实现5.4.1　乘法层的实现5.4.2　加法层的实

torch.normal()的用法该函数原型如下：normal(mean, std, *, generator=None, out=None)该函数返回从单独的正态分布中提取的随机数的张量，该正态分布的均值是mean，标准差是std。用法如下：我们从一个标准正态分布N～(0,1)，提取一个2x2的矩阵torch.normal(mean=0.,std=1.,size=(2,2))我们也可以让每一个值

第3章 Pytorch神经网络工具箱这章将介绍Pytorch的另一利器：神经网络工具箱。利用这个工具箱，设计一个神经网络就像搭积木一样，可以极大简化我们构建模型的任务。3.1 神经网络核心组件神经网络看起来很复杂，节点很多，层数多，参数更多。但核心部分或组件不多，把这些组件确定后，这个神经网络基本就确定了。这些核心组件包括：（1）层：神经网络的基本结构，将输入张量转换为输出张量。（2）模型：层构成

2.1 k-近邻算法概述简单的说，k-近邻算法采用测量不同特征值之间的距离方法进行分类优点：精度高、对异常值不敏感、无数据输入假定缺点：计算复杂度高、空间复杂度高适用数据范围：数值型和标称型数值型：数值型目标变量则可以从无限的数值集合中取值，如0.100，42.001等 (数值型目标变量主要用于回归分析)标称型： 标称型目标变量的结果只在有限目标集中取值，如真与假(标称型目标变量主要用于分类)k近

深度学习：基于python第5章 误差反向传播法5.1 计算图5.1.1　用计算图求解5.1.2　局部计算5.1.3　为何用计算图解题5.2 链式法则5.2.1 计算图的反向传播5.2.2　什么是链式法则5.2.3　链式法则和计算图*5.3 反向传播5.3.1　加法节点的反向传播5.3.2　乘法节点的反向传播5.3.3　苹果的例子*5.4 简单层的实现5.4.1　乘法层的实现5.4.2　加法层的实

torch.normal()的用法该函数原型如下：normal(mean, std, *, generator=None, out=None)该函数返回从单独的正态分布中提取的随机数的张量，该正态分布的均值是mean，标准差是std。用法如下：我们从一个标准正态分布N～(0,1)，提取一个2x2的矩阵torch.normal(mean=0.,std=1.,size=(2,2))我们也可以让每一个值

第一章 机器学习1.机器学习概述2.机器学习的类型机器学习：监督学习、无监督学习、强化学习3.机器学习的背景知识4.机器学习的开发流程

深度学习进阶：自然语言处理入门第2章 自然语言和单词的分布式表示2.1 什么是自然语言处理单词含义2.2 同义词词典2.2.1  WordNet2.2.2  同义词词典的问题2.3 基于计数的方法（*）2.3.1  基于 Python的语料库的预处理语料库的准备工作 ,处理实现为 preprocess() 函数2.3.2  单词的分布式表示2.3.3  分布式假设2.3.4  共现矩阵共现矩阵的函

文章目录Xgboost实战二分类1 xgboost的基本使用2 交叉验证 xgb.cv3 调整样本权重4 自定义目标函数（损失函数）5 用前n棵树做预测 ntree_limit6 画出特征重要度 plot_importance7 同样，也可以用sklearn的GridSearchCV调参Xgboost实战二分类1 xgboost的基本使用# 0 1:1 9:1 19:1 21:1 24:1 34:

深度学习进阶：自然语言处理入门第1章　神经网络的复习1.1 数学和Python的复习1.1.1  向量和矩阵1.1.2  矩阵的对应元素的运算1.1.3  广播1.1.4  向量内积和矩阵乘积1.1.5  矩阵的形状检查1.2 神经网络的推理1.2.1  神经网络的推理的全貌图激活函数输出层和激活函数 代码1.2.2  层的类化及正向传播的实现两层神经网络 (简单的只有正向传播，没有反向传播)1.