PyTorch 官方提供了几种安装方法，可以通过 pip 或 conda 进行安装。

首先用anaconda配置一个所需的环境，然后我们在pyCharm中的编辑好之后需要将之前配置的环境用作解释器。4. 如下图，环境导入成功！

导出的.yml文件可以共享给团队成员，确保环境一致性。假如拷贝至默认为D:\Anaconda3\envs\myenv\（可修改）。激活环境后使用pip安装的包会自动添加到当前的conda环境中。win+R可以打开windows系统的命令行。配置为国内清华大学的源下载速度会比较快。

x.y 表示访问对象的属性y。x.y(z1,z2)，这表示调用对象x的方法y，并传入参数z1，z2。注意，这里的y是一个方法（函数）。# 当你想：# 1. 执行函数/方法 → 用括号# 2. 传递函数/方法本身 → 不用括号# 例子：func = torch.relu # 把relu函数赋值给func（不用括号）result = func(tensor) # 使用func计算（用括号）result

为了研究深度学习与信号处理的结合，我又开始搞起了深度学习，博一的时候浅试过一次都失败了，这次打算学习一下Pytorch和一些最新的网络，好好做几篇论文。首先就是搭环境。我先安装了一个Anaconda，从网上搜了一大堆，我的理解是，Anaconda就是一个包管理器，因为pythoh版本太多了，而且要装的包也很多，各种包之间容易产生冲突，为了杜绝这个问题，我们可以安装一个Anaconda，它就像一个虚

【代码】matlab绘图背景为透明。

搭建的卷积神经网络为：3个卷积层和3个池化层以及一个全连接层#2021.11.8 HIT ATCI LZH#TensorFlow二维卷积神经网络实现MNIST数据集的的数字识别#从mnist中选取一部分样本from __future__ import division,print_function#python2中也能使用python3的函数import tensorflow as tfimpor

t = 0:1:(307200-1);%采样时间t = (t/307200)*0.002;fc = 10000000;I = real(data);%取I路Q = imag(data);%取Q路I_carrier = cos(2*pi*fc*t);%对I路进行调制Q_carrier = sin(2*pi*fc*t);%对Q路进行调制I_carrier = I_carrier';%I路调制Q_car

卷积神经网络最具特色的地方在于引入了卷积层，这使得数据量降低，进而在计算能力核内存有限的情况下能够实现深层的网络。卷积核的操作是受生物启发的，它具有局部感知功能。卷积核的Size代表感受野的大小，卷积核的步长度代表提取的精度：例如：Size为3的卷积核，如果step为1，那么相邻步感受野之间就会有重复区域，重复区域是两列的数据；如果step为2，那么相邻感受野的重复区域会更少；；如果step为3，

过拟合不只是出现在卷积神经网络中，但凡是机器学习，都会存在此类问题。他是我们不想看到的一种现象，“拟合”是说，模型能够对训练集进行良好的预测，但是对预测集/测试集预测的效果比较差，这种现象也被称之为“泛化能力差”。引起过拟合的原因有很多种，最重要的一种就是样本不足，或者训练集样本不具备代表性。为缓和过拟合问题，有以下几种方法：由于过拟合问题本质上是数据规模无法满足网络模型训练的要求。因此，数据集扩