任何回归都是从特征矩阵中学习，然后求解连续型标签y的过程，之所以能够实现这个过程，是因为回归算法认为，特征矩阵和标签之前存在着某种联系。实际上，标签和特征是可以相互转换的，比如说，在一个“用地区，环境，附近学校数量”预测“房价”的问题中，我们既可以用“地区”，“环境”，“附近学校数量”的数据来预测“房价”，也可以反过来，用“环境”，“附近学校数量”和“房价”来预测“地区”。而回归填补缺失值，正是.

数据类型 数组名[整常量表达式][ 整常量表达式]={ 初始化数据 }；在{ }中给出各数组元素的初值，各初值之间用逗号分开。把{ }中的初值依次赋给各数组元素。有如下几种初始化方式：⑴ 分行进行初始化int a[2][3]={{1,2,3},{4，5，6}};在{ }内部再用{ }把各行分开，第一对{ }中的初值1，2，3是0行的3个元素的初值。第二对{ }中的初值4，5，6是1行的...

BatchNorm2d参数量torch.nn.BatchNorm2d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)# 卷积层中卷积核的数量Cnum_features – C from an expected input of size (N, C, H, W)>>&...

torch.optimtorch.optim是一个实现了各种优化算法的库。大部分常用的方法得到支持，并且接口具备足够的通用性，使得未来能够集成更加复杂的方法。如何使用optimizer为了使用torch.optim，你需要构建一个optimizer对象。这个对象能够保持当前参数状态并基于计算得到的梯度进行参数更新。构建为了构建一个Optimizer，你需要给它一个包含了需要优化的参数（必...

全连接、局部连接、全卷积与局部卷积​大多数神经网络中高层网络通常会采用全连接层(Global Connected Layer)，通过多对多的连接方式对特征进行全局汇总，可以有效地提取全局信息。但是全连接的方式需要大量的参数，是神经网络中最占资源的部分之一，因此就需要由局部连接(Local Connected Layer)，仅在局部区域范围内产生神经元连接，能够有效地减少参数量。根据卷积操作的作..

下载地址参数正则化（Weight Regularization）以前的方法L2/L1 Regularization机器学习中几乎都可以看到损失函数后面会添加一个额外项，常用的额外项一般有两种，称作**L1正则化和L2正则化，或者L1范数和L2范数**。L1 正则化和 L2 正则化可以看做是损失函数的惩罚项。所谓 “惩罚” 是指对损失函数中的某些参数做一些限制。L1 正则化是指权值向量...

参数初始化（Weight Initialization）PyTorch 中参数的默认初始化在各个层的 reset_parameters() 方法中。例如：nn.Linear 和 nn.Conv2D，都是在 [-limit, limit] 之间的均匀分布（Uniform distribution），其中 limit 是 1. / sqrt(fan_in) ，fan_in 是指参数张量（tensor.

1keras系列（一）：参数设置2keras系列（二）：模型设置3Deep Learning with Python 系列笔记（一）：深度学习基础4Deep Learning with Python 系列笔记（二）：深度学习基础5 Deep Learning with Python 系列笔记（三）：计算机视觉6Deep Learning with Python 系列笔记（四）：...

1林轩田机器学习课程笔记2Python3机器学习3Deep Learning Research4吴恩达深度学习专项课程5【火炉炼AI】之机器学习6机器学习实战-刘玉刚7【火炉炼AI】之深度学习8机器学习与数据挖掘-寒小阳9Python全栈开发-骆昊...