安装Miniconda/Anaconda：创建一个新的环境，例如名为d2l的环境，并激活这个环境。condacreate--named2lpython=3.9-ycondaactivated2l安装深度学习框架和d2l软件包：在安装深度学习框架之前，请检查计算机上是否有可用的GPU。如果没有GPU，可以安装CPU版本。对于MXNet的GPU版本，需要

一、L2正则化手动实现#权重衰退手动实现%matplotlibinlineimporttorchfromd2limporttorchasd2lfromtorchimportnn#n_train个训练样本,n_test个测试样本，输入数据维度是200维n_train,n_test,num_inputs,batch_size=20,200,200,5true_w,true_b=to

一、多层感知机手动实现#多层感知机的手动实现%matplotlibinlineimporttorchfromtorchimportnnfromd2limporttorchasd2lbatch_size=256train_iter,test_iter=d2l.load_data_fashion_mnist(batch_size)num_inputs,num_outputs,num_first_hiddens=

前言:这个博客《d2l-ai深度学习日记》将记录我在深度学习领域的学习与探索，特别是基于《动手学深度学习》这本经典教材的学习过程。在这个过程中，我不仅希望总结所学，还希望通过分享心得，与志同道合的朋友一起交流成长。这不仅是对知识的沉淀，也是我备战研究生考试、追逐学术进阶之

 前言:这个博客《d2l-ai深度学习日记》将记录我在深度学习领域的学习与探索，特别是基于《动手学深度学习》这本经典教材的学习过程。在这个过程中，我不仅希望总结所学，还希望通过分享心得，与志同道合的朋友一起交流成长。这不仅是对知识的沉淀，也是我备战研究生考试、追逐学术进阶

前言:这个博客《d2l-ai深度学习日记》将记录我在深度学习领域的学习与探索，特别是基于《动手学深度学习》这本经典教材的学习过程。在这个过程中，我不仅希望总结所学，还希望通过分享心得，与志同道合的朋友一起交流成长。这不仅是对知识的沉淀，也是我备战研究生考试、追逐学术进阶之

 引言        笔者目前在大三阶段,想跟着研究生老师学习,以便创造更多的深造机会,故学习深度学习.我使用教材d2l-zh进行学习.这篇文章主要是学习预备知识.在此之前,我已经有了python等语言的基本基础.这个博客《d2l-ai深度学习日记》将记录我在深度学习领域的学习与

#人工智能##深度学习##语义分割##计算机视觉##神经网络#计算机视觉13.11全卷积网络全卷积网络（fullyconvolutionalnetwork，FCN）采用卷积神经网络实现了从图像像素到像素类别的变换。引入l转置卷积（transposedconvolution）实现的，输出的类别预测与输入图像在像素级别上具有

微调步骤下面将介绍迁移学习中的常见技巧:微调（fine-tuning）。如下图所示，微调包括以下四个步骤。在源数据集（例如ImageNet数据集）上预训练神经网络模型，即源模型。创建一个新的神经网络模型，即目标模型。这将复制源模型上的所有模型设计及其参数（输出层除外）。我们假定这些模型参

前言：本篇文章是关于数字识别器的识别和卷积神经网络的应用。若对卷积神经网络不熟悉，可参考文章：卷积神经网络关于深度学习的一些代码及实战，可参考深度学习基础（github）下面我们尝试用PyTorch搭建一个卷积神经网络，并用它来解决手写数字识别的问题。1、数据准备#torchvisio

相关学习资料https://tangshusen.me/Dive-into-DL-PyTorch/#/http://zh.d2l.ai/https://discuss.gluon.ai/c/lecture?order=views初始环境配置#下载安装脚本：https://conda.io/en/latest/miniconda.html#安装miniconda#macosshMiniconda3-py39_4.12.0-MacOSX-x86_

多层感知机一.隐藏层和激活函数1.为什么需要隐藏层？前面几篇博客我们通过基础知识，学习了如何处理数据，如何将输出转换为有效的概率分布，并应用适当的损失函数，根据模型参数最小化损失。但是记不记得当时我们算出来的数据都是线性的，我们把一张图片28*28=784的每一个像素视为一

目录目录：d2l包安装失败的解决过程前言一、李沐提供的安装方式1.创建一个新的环境2.激活d2l环境3.安装深度学习框架和d2l软件包3.1安装PyTorch的CPU或GPU版本3.2安装d2l包二、安装报错三、解决办法四、检验是否安装成功尝试了很多方法都没有成功，知道看到这一篇介绍，故转载至

ReLU函数最受欢迎的激活函数是修正线性单元（Rectifiedlinearunit，ReLU），因为它实现简单，同时在各种预测任务中表现良好。ReLU提供了一种非常简单的非线性变换。#导入PyTorch库importtorch#从d2l库中导入与PyTorch相关的模块（这里假设d2l是一个外部库或教程中定义的

importtorchfromd2limporttorchasd2lfromtorchimportnnbatch_size=100train_iter,test_iter=d2l.load_data_fashion_mnist(batch_size=batch_size)input_size=784hidden_size=300output_size=10W1=nn.Parameter(torch.randn(input_siz

西瓜书强化学习任务通常用马尔可夫决策过程(MarkovDecisionProcess，简称MDP)来描述机器只能通过选择要执行的动作来影响环境，也只能通过观察转移后的状态和返回的奖赏来感知环境机器要做的是通过在环境中不断地尝试而学得一个"策略"(policy)π，根据这个策略，在状态x下就能得知

L2正则化和权重衰退(WeightDecay)一、权重衰退介绍1.什么是权重衰减/权重衰退——weight_decayL2正则化主要作用是：解决过拟合，在损失函数中加入L2正则化项2.L2范数L2范数，也被称作欧几里得范数或者Frobenius范数（当应用于矩阵时），是最常用的向量范数之一，用于衡量向量元

2.1TensorFlow中的Tensors是不可变的，也不能被赋值。TensorFlow中的Variables是支持赋值的可变容器。请记住，TensorFlow中的梯度不会通过Variable反向传播。如果我们用Y=X+Y，我们将取消引用Y指向的张量，而是指向新分配的内存处的张量。assign将一个操作的结果分配给一个Var

功能介绍：torch.sin()是PyTorch提供的一个函数，用于计算输入张量中元素的正弦值。它的功能非常简单，就是将输入张量中每个元素的值作为角度，计算其对应的正弦值。具体来说，torch.sin()函数接受一个张量作为输入，并返回一个张量，其中每个元素是输入张量中对应元素的正弦值。代码

1、pytorch中的矩阵乘法；2、标量对向量求导；3、pytorch的backward函数；4、如何直观理解梯度下降；梯度，是个向量，有方向和长度就是向量，向量里的各个元素是偏导、是标量对向量求导的那个偏导、是多元函数全微分里z对x、y求的那个偏导。全微分dz所在的z轴是向上的，而梯度下降需要向下，所

 点击查看代码%matplotlibinline#该项事实也无法运行fromd2limporttorchasd2l#此行报错如下所示点击查看代码---------------------------------------------------------------------------ImportErrorTraceback(mostrecentcal

激活函数激活函数必须是非线性的，因为如果激活函数也是线性无法解决XOR问题代码importtorchfromtorchimportnnfromd2limporttorchasd2lbatch_size=256train_iter,test_iter=d2l.load_data_fashion_mnist(batch_size)num_inputs,num_outputs,num_hidd

在 14.4节中，我们在一个小的数据集上训练了一个word2vec模型，并使用它为一个输入词寻找语义相似的词。实际上，在大型语料库上预先训练的词向量可以应用于下游的自然语言处理任务，这将在后面的 15节中讨论。为了直观地演示大型语料库中预训练词向量的语义，让我们将预训练词向量应用到

到目前为止，我们只讨论了具有一个单向隐藏层的循环神经网络。其中，隐变量和观测值与具体的函数形式的交互方式是相当随意的。只要交互类型建模具有足够的灵活性，这就不是一个大问题。然而，对一个单层来说，这可能具有相当的挑战性。之前在线性模型中，我们通过添加更多的层来解决这个

在 8.7节中，我们讨论了如何在循环神经网络中计算梯度，以及矩阵连续乘积可以导致梯度消失或梯度爆炸的问题。下面我们简单思考一下这种梯度异常在实践中的意义：我们可能会遇到这样的情况：早期观测值对预测所有未来观测值具有非常重要的意义。考虑一个极端情况，其中第一个观测值