1.使用 Numpy 的 Python 基础知识 import math def basic_sigmoid(x): s = 1/(1+math.exp(-x)) #math.exp(x):为e的x次方 print(s) 0.9525741268224334 basic_sigmoid(3) 0.9525741268224334 a = [1,2,3] # basic_sigmoid(a) #会报错 import numpy as np x = np.array([1,2,3])  #各种序列(

numpy构建基本函数 1. Jupyter Notebook ① 编写代码后,通过按 "SHIFT" + "ENTER" 或单击笔记本上部栏中的 "Run Cell" 来运行该单元块. ② 例如,运行下面的两个单元格,test赋值为 "Hello World",输出 "Hello World". test = "Hello World" print ("test: "

解决Dev c++6.3版本中文输出乱码问题 1.遇到的问题 使用cout输出中文时出现乱码问题 如下图所示: 2.解决方法 找到[工具]--[编译选项]--勾选[编译时加入以下命令]并添加如下代码: -fexec-charset=GBK 3.问题解决后运行 重新编译代码后,中文正常输出

神经网络思想实现Logistic回归 0. 要解决的问题 案例描述:将学习如何建立逻辑回归分类器用来识别猫. note: 这项作业将引导你逐步了解神经网络的思维方式,同时磨练你对深度学习的直觉. 除非指令中明确要求使用,否则请勿在代码中使用循环(for / while). 建立学习算法的一般架构,包括: 初始化参数 计算损失函数及其梯度 使用优化算法(梯度下降) 这项作业按正确的顺序将以上所有三个功能集成到一个主模型上. 本项目需要导入两个文件夹(datasets和images)和一个lr_ut

神经网络基础之Python与向量化¶ 1. 向量化¶ ① 深度学习算法中,数据量很大,在程序中应该尽量减少使用loop循环语句,而可以使用向量运算来提高程序运行速度. ② 向量化(Vectorization)就是利用矩阵运算的思想,大大提高运算速度.例如下面所示在Python中使用向量化要比使用循环计算速度快得多. numpy中的函数¶ 1.np.random.rand 是 NumPy 库中用于生成随机数的函数,它会生成一个给定形状的数组,数组中的值是从均匀分布 [0, 1)(即 0 到 1 之

pycharm无法正常调试问题 1.错误代码 已连接到 pydev 调试器(内部版本号 231.8109.197)Traceback (most recent call last): File "E:\Python\pycharm\PyCharm 2023.1\plugins\python\helpers\pydev\_pydevd_bundle\pydevd_comm.py", line 304, in _on_run r = r.decode('utf-8') ^^^^^^^^^^

cuda安装失败解决方法 1.问题 安装cuda11.3版本时,一直出现安装失败的情况,多次安装依然失败 之前安装的时候都是默认选择推荐的安装,如下图所示: 失败的图片如下: 2.解决方法 解决方法如下: 使用自定义安装: 安装后有三个程序也可以自定义目录

jupyter notebook中使用pytorch 1.问题 在使用pytorch时,使用jupyter notebook无法调用,也没有可以调整更改的环境 错误提示:No module named 'torch' 2.解决方法 前提:anaconda+pytorch已经安装好 conda install ipython conda install jupyter python -m ipykernel install --user --name "别名(可以是创建的盒子名)" 如果

TensorBoard使用报错 1.报错如下 Traceback (most recent call last): File "E:\AI_DP\xtd\3-Tensorboard用途.py", line 5, in <module> from torch.utils.tensorboard import SummaryWriter File "E:\AI\anaconda\envs\DP_learn\lib\site-packages\torch\utils\t

python中的两大法宝和加载数据 1. Python两大法宝 ① Python3.6.3相当于一个package,package里面有不同的区域,不同的区域有不同的工具. ② Python语法有两大法宝:dir().help() 函数. dir():打开,看见里面有多少分区.多少工具. help():说明书. import torch print(torch.cuda.is_available()) help(torch.cuda.is_available) # 查看 torch.cuda.i

1. Tensorboard用途 ① Tensorboad 可以用来查看loss是否按照我们预想的变化,或者查看训练到某一步输出的图像是什么样. pip install tensorboard Requirement already satisfied: tensorboard in d:\11_anaconda\envs\py3.6.3\lib\site-packages (2.8.0) Requirement already satisfied: grpcio>=1.24.3 in d:\1

1. Transforms用途 ① Transforms当成工具箱的话,里面的class就是不同的工具.例如像totensor.resize这些工具. ② Transforms拿一些特定格式的图片,经过Transforms里面的工具,获得我们想要的结果. 2. Transforms该如何使用 2.1 transforms.Totensor使用 from torchvision import transforms from PIL import Image img_path = "Data/Fir

1. torchvision数据集介绍 ① torchvision中有很多数据集,当我们写代码时指定相应的数据集指定一些参数,它就可以自行下载. ② CIFAR-10数据集包含60000张32×32的彩色图片,一共10个类别,其中50000张训练图片,10000张测试图片. 2. torchvision数据集使用 ① 在 Anaconda 终端里面,激活py3.6.3环境,再跳转到该项目的路径下. ② 运行python.导入torchvision包,输入 train_set = torchvis

1. Dataloader使用 ① Dataset只是去告诉我们程序,我们的数据集在什么位置,数据集第一个数据给它一个索引0,它对应的是哪一个数据. ② Dataloader就是把数据加载到神经网络当中,Dataloader所做的事就是每次从Dataset中取数据,至于怎么取,是由Dataloader中的参数决定的. import torchvision from torch.utils.data import DataLoader # 准备的测试数据集 test_data = torchvis

1. nn.Module模块使用 ① nn.Module是对所有神经网络提供一个基本的类. ② 我们的神经网络是继承nn.Module这个类,即nn.Module为父类,nn.Module为所有神经网络提供一个模板,对其中一些我们不满意的部分进行修改. import torch from torch import nn class Tudui(nn.Module): def __init__(self): super(Tudui, self).__init__() # 继承父类的初始化 def

1. 神经网络 ① 把网络结构放在Sequential里面,好处就是代码写起来比较简介.易懂. ② 可以根据神经网络每层的尺寸,根据下图的公式计算出神经网络中的参数. 2. 搭建神经网络 import torch import torchvision from torch import nn from torch.nn import Conv2d, MaxPool2d, Flatten, Linear class Tudui(nn.Module): def __init__(self): sup

1. 利用GPU训练(方式一) ① GPU训练主要有三部分,网络模型.数据(输入.标注).损失函数,这三部分放到GPU上. import torchvision import torch from torch import nn from torch.utils.data import DataLoader from torch.utils.tensorboard import SummaryWriter # from model import * 相当于把 model中的所有内容写到这里,这里

3-6softmax回归从0开始实现 import torch from IPython import display from d2l import torch as d2l batch_size = 256 train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size) # print(len(train_iter), len(test_iter)) 1.初始化模型参数 num_inputs = 784 num_outputs

3-7softmax回归的简洁实现 import torch from torch import nn from d2l import torch as d2l batch_size = 256 train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size) 1.初始化模型参数 代码功能总结 定义模型: 定义了一个简单的神经网络模型,包含一个展平层和一个全连接层. 展平层将输入的二维图像数据展平为一维张量. 全连接层将展平后的特征映

看到这个问题,我不禁想起了6年前那个拿着机械毕业证却被分配到电子部门的懵逼青年--没错,就是我. 当时坐在工位上,面对着桌上那块STM32F103的开发板,内心是崩溃的.我特么学了四年机械,研究生又搞了三年机械,结果现在要我玩这个小黑块?说不迷茫是假的. 但现在回头看,STM32改变了我的整个人生轨迹.从当初的小白菜鸟,到现在拥有自己的技术公司,从月薪几千到年入百万,这一切都要从那块小小的开发板说起. 今天就来聊聊,STM32到底需要多长时间才能学会,以及不同阶段应该掌握什么程度.作为一个从零开