“人造太阳”计划

c++迭代器失效的情况汇总

所以不能使用erase的方式,还好erase方法可以返回下一个有效的iterator。= cont.end();)迭代器失效:void vectorTest() for (iter = container.begin(); iter ! »

python next()和iter()函数原理解析

>>> list_ = [1,2,3,4,5]>>> it = iter>>> next>>> next>>> next>>> next>>> next>>> next'-1' ... »

Python中的迭代器与迭代对象

文章目录可迭代对象①可迭代对象定义②查看对象内部方法③总结迭代器①迭代器的定义②如何判断该对象是否是迭代器③可迭代对象如何转化成迭代器④迭代器取值⑤while模拟for的内部循环机制⑥小结可迭代对象与迭代器对比 可迭代对象 ①可迭代对象定义 对于迭代器来说,我们更熟悉的应该是可迭代对象,之前无论是源码还是讲课中或多或少我们提到过可迭代对象这个词。之前为了便于大家理解可迭代对象,可能解释的不是很正确... »

Python系列(三):关于迭代器和生成器,你该了解这些

一.前言 说起迭代器和生成器,可以说是python语言的精髓之一,生成器可能有人没用过,但是迭代器绝对是大家经常使用的(可能你并不了解自己正在使用迭代器),最常见的迭代器使用场景就是我们用for循环来遍历各种列表,字符串,元组等各种对象了。 mlist = [1,3,5,7,9,2,4,6,8,10] for item in mlist: print(item) string = 'hello w... »

在这里插入图片描述

Python所有重要知识点(教你把python3拿捏得死死的)

python的特性 Python是动态类型的,这意味着你不需要在声明变量时指定类型。你可以先定义x=111,然后 x=”I’m a string”,一点问题也不会有。 Python是面向对象语言,所有允许定义类并且可以继承和组合。Python没有访问访问标识如在C++中的public, private, 这就非常信任程序员的素质,相信每个程序员都是“成人”了~ 在Python中,函数是一等公民。这... »

在这里插入图片描述

机器学习实战:逻辑回归+梯度下降

使用梯度下降的方法进行逻辑回归实战: 问题说明: 这里将建立一个逻辑回归模型来预测一个学生是否被大学录取。 假设你是一个大学的管理员,你想根据两次考试的结果来决定每个申请人的录取机会,你有以前的申请人的历史数据。可以用历史数据作为逻辑回归的训练集。对于每一个样本,有两次考试的申请人的成绩和录取决定。建立一个分类模型,根据考试成绩估计入学概率。 数据链接: 链接:https://pan.baidu.... »

可迭代对象,生成器,迭代器

可迭代对象 str,tuple,dict,list,set,bytes都为可迭代对象 range的结果是一个 range 对象,是一个可迭代对象 可迭代对象的本质: 在迭代一个可迭代对象的时候,实际上就是先获取该对象提供的一个迭代器,然后通过这个迭代器来依次获取对象中的每一个数据。 那么也就是说,一个具备了_ _iter _ _方法的对象,就是一个可迭代对象。 迭代器 python中只要实现了__... »

在这里插入图片描述

《动手学深度学习》Task05:卷积神经网络基础+LeNet+卷积神经网络进阶

文章目录1 卷积神经网络基础1.1 二维卷积层1.2 填充和步幅1.3 多输入通道和多输出通道1.4 卷积层与全连接层的对比1.4 池化2 LeNet2.1 LeNet 模型2.2 获取数据和训练模型3 卷积神经网络进阶3.1 深度卷积神经网络3.2 使用重复元素的网络3.3 网络中的网络3.4 GoogLeNet1 卷积神经网络基础本节我们介绍卷积神经网络的基础概念,主要是卷积层和池化层,并解释... »

mxnet框架使用小结

构建神经网络 import gluonbook as gb import mxnet as mx from mxnet import autograd, gluon, init, nd from mxnet.gluon import loss as gloss, nn import time net = nn.Sequential() net.add(nn.Conv2D(channels=6, k... »

在这里插入图片描述

动手学习深度学习—Task03

文章目录文本预处理读入文本分词建立字典将词转化为索引语言模型读取数据集建立字符索引时序数据的采样随机采样相邻采样RNN从零实现RNN 文本预处理 读入文本 import collections import re def read_time_machine(): with open('/home/kesci/input/timemachine7163/timemachine.txt', 'r') ... »

TensorboardX—-linux服务器远程训练,Windows本地查看日志

TensorboardX—-linux服务器远程训练,Windows本地查看日志

     使用pytorch训练大型数据集是常常需要通过loss的下降曲线或者acc准确率的上升情况直观上判断模型的设计是否合理,使用tensorboardX将迭代的loss和acc加入scale中,方便查看中间过程,及时调整模型。 安装: pip install tensorflow pip install tensorboardX 定义: import numpy as np from ten... »

在这里插入图片描述

动手入门深度学习笔记-过欠拟合&梯度爆炸与消失

过欠拟合 1.定义 一类是模型无法得到较低的训练误差,我们将这一现象称作欠拟合(underfitting); 另一类是模型的训练误差远小于它在测试数据集上的误差,我们称该现象为过拟合(overfitting)。 在实践中,我们要尽可能同时应对欠拟合和过拟合。虽然有很多因素可能导致这两种拟合问题,在这里我们重点讨论两个因素:模型复杂度和训练数据集大小。 2.code实现 import torch i... »

LeNet && ModernCNN

LeNet && ModernCNN

Convolutional Neural Networks 学而习之:Fundamentals of Convolutional Neural Networks 使用全连接层的局限性: 图像在同一列邻近的像素在这个向量中可能相距较远。它们构成的模式可能难以被模型识别。 对于大尺寸的输入图像,使用全连接层容易导致模型过大。 使用卷积层的优势: 卷积层保留输入形状。 卷积层通过滑动窗口将同一卷积核与不... »

Datawhale:动手深度学习第一次打卡!

Datawhale:动手深度学习第一次打卡! 继续一边学习一边敲代码: 循环神经网络基础 import torch import torch.nn as nn import time import math import sys import d2lzh_pytorch as d2l device = torch.device('cuda' if torch.cuda.is_available()... »

Image Name

NLP课程

NLP课程文本预处理语言模型n元语法时序数据的采样循环神经网络从零开始实现循环神经网络 文本预处理 文本是一类序列数据,一篇文章可以看作是字符或单词的序列,本节将介绍文本数据的常见预处理步骤,预处理通常包括四个步骤: 读入文本 分词 建立字典,将每个词映射到一个唯一的索引(index) 将文本从词的序列转换为索引的序列,方便输入模型 以下代码是读取文章的demo import collection... »

Image Name

《动手学——批量归一化和残差网络》笔记

批量归一化(BatchNormalization) ps 批量归一化本质上是对数据的标准化处理,输入标准化一般用于浅层模型,但是对于深层网络,输入的标准化不够,因为随着模型的迭代更新,依然容易造成靠近输出层,它的数据是剧烈变化的。所以批量归一化的出现是应对深度模型的。 对输入的标准化(浅层模型) 处理后的任意一个特征在数据集中所有样本上的均值为0、标准差为1。 标准化处理输入数据使各个特征的分布相... »

Task03:过拟合、欠拟合及其解决方案学习笔记

过拟合、欠拟合及其解决方案 过拟合、欠拟合的概念 权重衰减 丢弃法 模型选择、过拟合和欠拟合 训练误差和泛化误差 在解释上述现象之前,我们需要区分训练误差(training error)和泛化误差(generalization error)。通俗来讲,前者指模型在训练数据集上表现出的误差,后者指模型在任意一个测试数据样本上表现出的误差的期望,并常常通过测试数据集上的误差来近似。计算训练误差和泛化误... »

640?wx_fmt=png

史上最全 Python 迭代器与生成器

转自:浪子燕青        http://www.langzi.fun/迭代器与生成器.html 概念 迭代器:是访问数据集合内元素的一种方式,一般用来遍历数据,但是他不能像列表一样使用下标来获取数据,也就是说迭代器是不能返回的。 Iterator:迭代器对象,必须要实现next魔法函数 Iterable:可迭代对象,继承Iterator,必须要实现iter魔法函数 比如: from colle... »

在这里插入图片描述

动手学深度学习PyTorch版 | (3)过拟合、欠拟合及其解决方案

文章目录一、过拟合、欠拟合概念二、多项式函数拟合实验2.1 初始化模型参数2.2 定义、训练和测试模型三阶多项式函数拟合(正常)线性函数拟合(欠拟合)训练样本不足(过拟合)2.3 权重衰减L2 范数正则化(regularization)2.4 丢弃法丢弃法从零开始的实现简洁实现小结 一、过拟合、欠拟合概念 训练模型中经常出现的两类典型问题: 欠拟合:模型无法得到较低的训练误差 过拟合:模型的训练误... »

在这里插入图片描述

经典卷积神经网络模型—AlexNet,VGG,GoogLeNet

AlexNet 特征 8层变换,其中有5层卷积和2层全连接隐藏层,以及1个全连接输出层。 将sigmoid激活函数改成了更加简单的ReLU激活函数。 用Dropout来控制全连接层的模型复杂度。 引入数据增强,如翻转、裁剪和颜色变化,从而进一步扩大数据集来缓解过拟合 第一个卷积层 输入的图片大小为:2242243(或者是2272273) 第一个卷积层为:111196即尺寸为1111,有96个卷积核... »

pytorch 学习笔记 part9 LeNet 模型

通过Sequential类来实现LeNet模型 #import import sys sys.path.append("/home/kesci/input") import d2lzh1981 as d2l import torch import torch.nn as nn import torch.optim as optim import time #net class Flatten(to... »

在这里插入图片描述

5.5 卷积神经网络(LeNet)

在“多层感知机的从零开始实现”一节里我们构造了一个含单隐藏层的多层感知机模型来对Fashion-MNIST数据集中的图像进行分类。每张图像高和宽均是28像素。我们将图像中的像素逐行展开,得到长度为784的向量,并输入进全连接层中。然而,这种分类方法有一定的局限性。 图像在同一列邻近的像素在这个向量中可能相距较远。它们构成的模式可能难以被模型识别。 对于大尺寸的输入图像,使用全连接层容易导致模型过大... »

在这里插入图片描述

深度学习基础(Section two)

本文章主要内容是线性回归的应用——kaggle房价预测,卷积神经网络. 一、线性回归实战 该比赛的网页地址是 https://www.kaggle.com/c/house-prices-advanced-regression-techniques. 项目步骤分别为:读取+预处理数据,定义神经网络,定义损失函数以及结果计算函数(按题目要求),定义训练网络函数,k折交叉验证,最后训练全部数据进行结果预... »

在这里插入图片描述

进阶网络神经

#目前GPU算力资源预计17日上线,在此之前本代码只能使用CPU运行。 #考虑到本代码中的模型过大,CPU训练较慢, #我们还将代码上传了一份到 https://www.kaggle.com/boyuai/boyu-d2l-modernconvolutionalnetwork #如希望提前使用gpu运行请至kaggle。 import time import torch from torch im... »

VGG19

VGG 论文总结

例如,ILSVRC-2013表现最佳的论文使用了更小的感受野窗口尺寸和第一卷积层更小的步长。第5节总结了论文。最后,附录C包含了主要的论文修订列表。 »

Page 1 of 512345