Python 语法
字典
缩进
四个空格表示属于 这个 if 判断内部的
循环
切片
list操作
删除：remove/del
remove 是删除某个值
del 按照下标删除
插入
append 加一个数
extend 加一个列表
运算
类
注意 super（）是一个固定套路表示继承
函数定义
未传入B，则默认B=2
numpy
类型转换
矩阵合并
axis=0默认上下合并
axis=1默认左右合并
矩阵切片
tensor
张量：放在神经网络的矩阵
backward 往回求导
detach是从神经网络摘下来
创建张量
normal是正态分布
求和
引用
机器学习
有监督：有标签
无监督：没有标签
kNN
决策树
决策树不善于处理没见过的特征
朴素贝叶斯
深度学习
神经网络作用
输入
学列就是前后有关系的（例如视频、代码）
输出
声音是序列
3-2
输入：图片+文字 是一个序列
框是 回归 出来的
确定中心点 + 长 + 宽
深度学习步骤
损失函数
超参数：认为指定的，模型无法修改
含义：使Loss最小的w、b参数
多层神经网络
如果全是线性的无论叠加多少层都等价于一层的效果
引入激活函数
激活函数是用来使得曲线弯曲的，如果激活函数只能是线性的，则曲线会取到较大误差
两条蓝线是通过激活函数的，这样加起来就可以变成红线
参数计算：入 * 出 + 出 :
(4 * 3 + 3(b1)) + (3 * 2 + 2(b2)) +( 2 * 1(b3))
1 * 100 + 100
梯度回传
梯度回传：对着对应路径参数求偏导
所以激活函数一定要能求导
梯度下降
梯度下降
代码实战
Linear表示全连接，（4，3）（3，2）（2，1）
过拟合、欠拟合
回归项目实战
验证部分不会梯度回传修改数据
更新参数时，以 batch 个数据去更新一次参数
batch 太大无法确定一次走多远（假设极端情况：取全部数据更新一次参数）
batch 太小走的太慢了（假设极端情况：取一个数据更新一次参数）
CovidDataset
class CovidDataset(Dataset): def __init__(self, file_path, mode): with open(file_path, "r") as f: ori_data = list(csv.reader(f)) csv_data = np.array(ori_data)[1:, 1:].astype(float) #不要第一行和第一列 #逢五取1，不推荐 if mode == "train": indices = [i for i in range(len(csv_data)) if i % 5 != 0] elif mode == "val": indices = [i for i in range(len(csv_data)) if i % 5 == 0] elif mode == "test": indices = [i for i in range(len(csv_data))] X = torch.tensor(csv_data[indices, :93]) if mode != "test": self.Y = torch.tensor(csv_data[indices, -1]) # 标准化：有多个参数，使得有一个统一的度量标准 # 加上self. 类中后面的函数才能用这个参数 self.X = (X - X.mean(dim=0, keepdim=True)) / X.std(dim=0, keepdim=True) self.mode = mode def __getitem__(self, item): if self.mode == "test": # 用 float 是因为 64 位占据空间较大，转化为 32 位省下空间 return self.X[item].float() else: return self.X[item].float(), self.Y[item].float() def __len__(self): return len(self.X)
DataLoader
Mymodel
设置一个类模型
class myModel(nn.Module): # 设置一个架子，例如 y=x # 设置一些中间一层一层的神经节点 def __init__(self, inDim): super(myModel, self).__init__() self.fc1 = nn.Linear(inDim, 128) self.relu1 = nn.ReLU() self.fc2 = nn.Linear(128, 1) # 当数据传入架子，进行计算 def forward(self, x): x = self.fc1(x) x = self.relu1(x) x = self.fc2(x) if len(x.size()) > 1: x = x.squeeze(1) #如果维度大于1， 就去掉第二个维度 return x