首页 > 分享 > 动手学深度学习笔记(一)

动手学深度学习笔记(一)

花匠小妙招
2024-11-13 06:35

深度学习 nd.random.normal()

11-9

random_array2=mx.nd.random.normal(loc=0.0, scale=1.0, shape=(2,3)) print(random_array2) 使用nd.random.normal()可以快速生成符合正态分布的随机数据,这在机器学习和深度学习中是非常常见的操作。动手深度学习--线性回归--4_nd.random.normal

10-29

ndimportrandom# 1. 生成数据集num_inputs=2#设置特征个数为2num_examples=1000#设置有1000个样本true_w=[2,-3.4]#设置真实的权重true_b=4.2#设置真是的偏差features=nd.random.normal(scale=1,shape=(num_examples,num_inputs))#随机生成大小为1000*2的矩阵,也就是随机生成了样本labels=true...MXNet学习之nd.random_normal 与 nd.random.normal 的比较

我有明珠一颗的博客

02-222264

网上大神解答：新版把 nd.random_normal重命名到了nd.random.normal，为了跟numpy一致。推荐使用后者 1、找模块里所有的函数与类，发现两者是完全一致的 print(dir(nd.random_normal)) print(dir(nd.random.normal)) 输出： 2、查找特定函数和类的使用，发现两者区别也不大 print(help(nd.random_normal)) print(help(nd.random.normal)) 输出： H...MXNet学习——创建 NDArray、NDAarry 运算、广播机制

我有明珠一颗的博客

03-11342

练习手稿，记录&分享 # ------------------------------------------------------------------------------- # Description: 创建 NDArray、NDAarry 运算、广播机制 # Reference: # Author: Sophia # Date: 2021/1/28 # -------------------------------------------------------------. 线性回归_nd.random.normal(scale=0.01,shape=labels.shape)

10-16

(X1,y1) break''' #初始化模型参数 w_train=nd.random.normal(scale=0.01,shape=(2,1)) b_train=nd.zeros(shape=(1,)) w_train.attach_grad() b_train.attach_grad() #训练模型 lr=0.03 num_epochs=3 net=d2lzh.linreg loss=d2lzh.squared_loss for epoch in range(num_epochs): for X,y ... ...和最经典的机器学习模型之一。_nd.random.normal

11-1

from mxnet import autograd, nd import random true_w = nd.array([[2,-3.4]]) true_b = 4.2 num_inputs = 2 num_examples = 1000 # 生成随机的特征数组 features = nd.random.normal(scale=1, shape=((num_examples, num_inputs)))Python学习之np.random.normal()函数

Arthur_Holmes的博客

07-061万+

np.random.normal()的意思是一个正态分布，normal这里是正态的意思。 numpy.random.normal(loc=0,scale=1e-2,size=shape) 参数loc(float)：正态分布的均值，对应着这个分布的中心。参数scale(float)：正态分布的标准差参数size(int 或者整数元组)：输出矩阵的shape，默认为None。 ...动手学深度学习笔记（一）

上官永石的博客

07-30801

标量导数、亚导数、梯度、向量链式求导法则、自动求导、PyTorch 自动求导动手学深度学习1-1_a=nd.random.normal(shape=2)

10-26

a=nd.random.normal(shape=2)#样子为[ x1 x2] 两个数值 a.attach_grad()#使用这个函数申请求梯度时所需内存 withautograd.record(): c=f(a) #给定任意输入a,其输出必然是 f(a) = x * a的形式,其中标量系数x的值取决于输入a。 #由于c = f(a)有关a的梯度为x,且值为c / a,我们可以像下面这... NDArray基础语法知识(与Numpy的对比)_nd.array

10-17

nd.random.normal(0,1,shape=(2,3)) [[1.16307850.48380460.29956347] [0.15302546-1.16881481.558071]] <NDArray 2x3 @cpu(0)> normal()的均值为0,标准差为1的正态分布,参数形状shape有点区别,在np里是size np.random.normal(0,1,size=(2,3)) ...动手学深度学习笔记（1）

peacefairy的博客

09-14245

动手学深度学习深度学习简介预备知识三级目录深度学习简介举一个小的例子，如何编写一个程序，让机器识别我输入的图片是否有一只猫？我们需要哪些值来帮助我们确定？事实上，要想解读图像中的内容，需要寻找仅仅在结合成千上万的数值时才会出现的特征，如边缘、质地、形状、眼睛、鼻子等，最终才能判断图像中是否有猫。通俗来说，机器学习是一门讨论各式各样的适用于不同问题的函数形式，以及如何使用数据来有效地获取函数参数具体值的学科。深度学习是指机器学习中的一类函数，它们的形式通常为多层神经网络。机器学习，神经网络是动手学深度学习笔记1

weixin_42077203的博客

10-21218

Anaconda（Ubuntu）+Mxnet mxnet-gpu目前最新只有cuda10.0对应的版本，要不自己找资料编译，要不降低cuda的版本或者选择mxnet-cpu Mxnet-cpu 新建虚拟环境 conda create -n gluon python=3.8 激活环境： conda activate gluon 安装MXNet-cpu： pip install mxnet 安装其它软件包： pip install d2lzh pip install jupyter pip install m (十)循环神经网络RNN_nd.random.normal(shape=data.shape, ctx=data...

10-27

b_h = nd.zeros(num_hiddens, ctx=ctx)# 输出层参数。W_hy = nd.random.normal(scale=0.01, shape=(num_hiddens, num_outputs), ctx=ctx) b_y = nd.zeros(num_outputs, ctx=ctx) params = [W_xh, W_hh, b_h, W_hy, b_y]forparaminparams: ... 动手学深度学习---基本操作

11-1

nd.random.normal(0, 1, shape=(3, 4)) 5、张量之间的拼接: nd.concat(X,Y,dim=0)(dim=1就是按列拼接) 6、X==Y可以用来把对应位置元素相等的值取出来,相等的值为1,不相等的值为0 7、对张量中的所有元素求和 X.sum() 8、我们也可以把Y.exp()、X.sum()、X.norm()等分别改写为nd.exp(Y)...动手学深度学习---笔记1最新发布

Nana_Oyang的博客

08-17829

动手学深度学习v2 ------ 沐神numpy中的.random.normal()

CSDNXXCQ的博客

02-19581

np.random.normal()的意思是一个正态分布，normal，正态 numpy.random.normal(loc=0,scale=1e-2,size=shape) ，意义如下：参数loc(float)：正态分布的均值，对应着这个分布的中心。loc=0说明这一个以Y轴为对称轴的正态分布，参数scale(float)：正态分布的标准差，对应分布的宽度，scale越大，正态分布的曲线越矮胖，scale越小，曲线越高瘦。参数size(int 或者整数元组)：输出的值赋在shape里，默认为None《动手学习深度学习》笔记之多项式拟合

cl2227619761的博客

06-191695

本文学习自李沐大神的《动手学习深度学习》系列，代码实现基于MXNet 代码预热简要列举大意，具体参见官方API gluon.nn.Sequential() ：逐层堆叠网络 gluon.nn.loss.L2Loss(): 计算均方误差 nd.random.normal(): 生成正态分布随机数 gluon.nn.Dense(): 全连接神经网络层 Block.initialize(): 初始化参数 gluon.data.ArrayDataset(): 从数组或者列表等创建数据集要解决的问题使用神经.mxnet的gluon Trainer接受多个网络参数

修炼之路

05-142079

参考链接：https://discuss.gluon.ai/t/topic/3087/4 from mxnet import ndarray as nd from mxnet import autograd from mxnet import gluon num_inputs = 2 num_examples = 1000 true_w = [2, -3.4] true_b = 4.2 ...《Gluon 动手学深度学习二》NDArray和NumPy

邦戈邦戈栗子的博客

06-13618

"在深度学习中，通常会频繁地对数据进行操作。在MXNet中，NDArray是存储和变换数据的主要工具。NDArray和NumPy的多维数组非常类似。然而，NDArray提供更多的功能，例如CPU和GPU的异步计算，以及自动求导。这些都使得NDArray更加适合深度学习。"1.创建NDArrayfrom mxnet import nd x = nd.arange(12)x结果：x = x.resh...np.random.Normal()

jokerxsy的博客

03-13507

np.random.normal(loc,scale,size): 表示一个正态分布如图所示: loc对应的就是均值 scale对应的就是标准差 size可以设为一个int或者一个数组，里面的数满足正态分布如果loc = 0 scale = 1 则是一个标准正态分布把size设为10则输出十个满足标准正态分布的数 import numpy as np print(np.random.nor...动手学深度学习笔记

janelovezy9732214的博客

02-14185

动手学深度学习笔记 batch 和 epoch的区别： batch:batch_size是一个超参数，用于定义在更新内部模型参数之前要处理的样本数批量梯度下降：batch_size = 训练集的大小随机梯度下降：batch_size = 1 小批量梯度下降： 1 < batch_size < 训练集大小，常用的有32，64，128 epoch是一个超参数，定义了学习算法在...[深度学习]动手学深度学习笔记-6

01-20

在本篇【深度学习】动手学深度学习笔记-6中，我们主要关注的是Task-3，即循环神经网络（RNN）的进阶部分，特别是长短期记忆网络（LSTM）。LSTM是一种特殊的RNN变体，设计用于解决标准RNN在处理长序列数据时可能出现...python中的np.random.normal热门推荐

越努力越幸运越幸福

03-122万+

一先看伟大的高斯分布（Gaussian Distribution）的概率密度函数（probability density function）： Gaussian Distribution(Normal Distribution)其图形特点为中间高，两头低，是钟形曲线(bell-shaped curve)。在高斯分布中，以数学期望μ表示钟型的中心位置（也即曲线的位置），而标准差（standard d动手学深度学习(一)——基本介绍

SnailTyan

09-172232

文章作者：Tyan 博客：noahsnail.com &nbsp;|&nbsp; CSDN &nbsp;|&nbsp; 简书本文主要是学习李沐直播课程的笔记。视频及内容的具体地址可参考：https://zhuanlan.zhihu.com/p/29125290。第一课：从上手到多类分类课程首先介绍了深度学习的很多应用：例如增强学习、物体识别、语音识别、机器翻译、推荐系统、广告点击...判断元素是否在ndarray_MXNet 之NDArray 速查

weixin_32565397的博客

01-08267

MXNet 中的库 NDArray 类似于 NumPy，区别在于 NDArray 可以利用 GPU 进行加速以及自动求梯度创建 NDArrayfrom mxnet import nd# 创建向量x = nd.arange(12)# 获得 x 的形状x.shape# 获得 x 中的元素数x.size# 将 x 改为 3x4 的矩阵X = x.reshape((3,4)) # x.reshape((-...