ORM 是什么 常见的 Python ORM • SQLAlchemy • Flask-SQLAlchemy • Django ORM • peewee 常见的 Python ORM • SQLAlchemy • Flask-SQLAlchemy • Django ORM • peewee Flask-SQLAlchemy 快速入门 Flask-SQLAlchemy 快速入门

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 4.1 自定义 Variable 数据与网络训练 19 4.2 准确率的可视化 22 4.3 分类结果的可视化 23 4.4 自定义 Dataset 数据集 25 3 4.5 总结 27 Literature 本节代码见 chapter3-3.py。 4. 构建自己的数据集 4.1 自定义 Variable 数据与网络训练 19 4.2 准确率的可视化 22 4.3 分类结果的可视化 23 4.4 自定义 Dataset 数据集 25 4.5 总结 27 本章我们的目标是把构建自己的数据集，并来测试和可视化。 4.1 自定义 Variable 数据与网络训练 假如我们并没有图像数据，我们自己创造一些数据，并用它们来分类。 5]。我们首先生成一下这四个类别： import torch import numpy as np # 生 成 数 据 def dataGenerate ( data , l a b e l ) : 19 20 4.1. 自定义 Variable 数据与网络训练 f o r idata in data : i f idata [ 0 ] < 0 . 5 : # 把 小 于0 .5 的 值 压 缩 到 [ 0

联合分布和边缘分布 3.2 联合概率和边缘概率质量函数 3.3 联合概率和边缘概率密度函数 3.4 条件概率分布 3.5 贝叶斯定理 3.6 独立性 3.7 期望和协方差 4. 多个随机变量 4.1 基本性质 4.2 随机向量 4.3 多元高斯分布 5. 其他资源 概率论复习和参考 概率论是对不确定性的研究。通过这门课，我们将依靠概率论中的概念来推导机器学习算法。这篇笔记 试图 多个随机变量 上一节介绍的概念和想法可以推广到两个以上的随机变量。特别是，假设我们有 个连续随机变量， 。在本节中，为了表示简单，我们只关注连续的情况，对离散随机变量的推 广工作类似。 4.1 基本性质 我们可以定义 的联合累积分布函数、联合概率密度函数，以及给定 时 的 边缘概率密度函数为： 为了计算事件 的概率，我们有： 链式法则： 从多个随机变量的条件概率的定义中，可以看出：

required in CUDA graphs workloads between graph replays. ‣ The PyTorch container includes a version of Django with a known vulnerability that was discovered late in our QA process. See CVE-2021-31542 for details

方阵的逆 3.8 正交阵 3.9 矩阵的值域和零空间 3.10 行列式 3.11 二次型和半正定矩阵 3.12 特征值和特征向量 3.13 对称矩阵的特征值和特征向量 4.矩阵微积分 4.1 梯度 4.2 黑塞矩阵 4.3 二次函数和线性函数的梯度和黑塞矩阵 4.4 最小二乘法 4.5 行列式的梯度 4.6 特征值优化 线性代数复习和参考 1. 基础概念和符号 主题是微积分扩展到向量设置展。尽管我们使用的所有实际微积分都是相对微不足道的，但是符号通常 会使事情看起来比实际困难得多。 在本节中，我们将介绍矩阵微积分的一些基本定义，并提供一些示 例。 4.1 梯度 假设 是将维度为 的矩阵 作为输入并返回实数值的函数。 然后 的梯度 （相对于 ）是偏导数矩阵，定义如下： 即， 矩阵: 请注意， 的维度始终与 的维度相同。特殊情况，如果 只是向量

真的解决了吗 3.5 非线性模型 3.6 表达能力 3.7 优化方法 3.8 手写数字图片识别体验 3.9 小结 3.10 参考文献 第 4 章 PyTorch 基础 4.1 数据类型 4.2 数值精度 4.3 待优化张量 4.4 创建张量 预览版202112 4.5 张量的典型应用 4.6 索引与切片 4.7 维度变换 4.8 合，在深入学习深度学习算法之 前，熟练掌握 PyTorch 张量的基础操作方法十分重要。只有掌握了这些操作方法，才能随 心所欲地实现各种复杂新奇的网络模型，也才能深刻理解各种模型算法的本质。 4.1 数据类型 首先来介绍 PyTorch 中的基本数据类型，包含数值类型和布尔类型。虽然字符串类型 在 Python 语言中使用频繁，但是机器学习主要以数值运算为主，因此 PyTorch 并没有对字 考虑某个模型的训练曲线，如图 4.1 所示，横坐标为训练步数 Step，纵坐标分别为 Loss per Query Image 误差变化趋势(图 4.1(a))和准确率 Accuracy 变化趋势曲线(图 4.1(b))，其中损失值和准确率均由张量计算产生，类型为标量，因此可以直接可视化为曲 线图。 (a) 某模型训练、验证误差曲线 (b) 某模型训练、验证准确度曲线 图 4.1 损失和准确度曲线

32+5DVHG >HFuTTHPV APLVU 5>A) 算法，结合SLPgNH ShQV 2HVHFVQT SS2)框架实现行i检测功 能 • 效果a • THA9OS 14数据集，O/P-%4.1% 7QA-0.() 内容理解——pu/行i检测 ����/���� ���������� • 目的a定x和识别视频h的特定目标，并在目标生命周期内 进行跟踪 • 方法a检测采用>HgLQP

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125 4 多层感知机 127 4.1 多层感知机 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 论数值稳定性和参数初始化相关的问题，这些问题是成功训练深度网络的关键。在本章的最后，我们将把所 介绍的内容应用到一个真实的案例：房价预测。关于模型计算性能、可伸缩性和效率相关的问题，我们将放 在后面的章节中讨论。 4.1 多层感知机 在 3节中，我们介绍了softmax回归（3.4节），然后我们从零开始实现了softmax回归（3.6节），接着使用高 级API实现了算法（3.7节），并训练分类器从低分辨率图像中 tivations）。一般来说， 有了激活函数，就不可能再将我们的多层感知机退化成线性模型： H = σ(XW(1) + b(1)), O = HW(2) + b(2). (4.1.3) 4.1. 多层感知机 129 由于X中的每一行对应于小批量中的一个样本，出于记号习惯的考量，我们定义非线性函数σ也以按行的方 式作用于其输入，即一次计算一个样本。我们在 3.4.5节中以相同的方式使用了softmax符号来表示按行操作。

always do better than GDA. In practice, logistic regression is used more often than GDA 4 Naive Bayes 4.1 Assumption Again, we assume that the m training data are denoted by {x(i), y(i)}i=1,··· ,m, where

. . . . . . . . 36 3.3.21 如何在 Keras 中安装 HDF5 或 h5py 来保存我的模型？ . . . . . . . . . . . 37 4 模型 39 4.1 关于 Keras 模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.2 Sequential 模 块 已 经 安 装 成 功， 否 则 你 可 以 在 http://docs.h5py.org/en/latest/build.html 中找到详细的安装说明。 模型 39 4 模型 4.1 关于 Keras 模型 在 Keras 中有两类主要的模型：Sequential 顺序模型 和 使用函数式 API 的 Model 类模型。 这些模型有许多共同的方法和属性： • model