输入数据对一个滤波器进行运算输出的为一维特征图。 输出的数据通道数由滤波器的个数决定。

论文：ImageNet Classification with Deep Convolutional Neural Networks 本文仅记录个人阅读论文的收获和思考。 Introduction11To improve their performance, we can collect larger datasets, learn more powerful models, and use be

开局要领出动大子避免无效进攻， 尽可能先盘活棋盘。 尽快将六个大子调动起来。 左右平衡完成一方的调动后尽快调动另一方。 做到两方平衡兼顾。 抢占要道开局关键要道有肋道、巡河线（我方）与兵林线（对方）， 主要由车占领。 直车占领巡河线和兵林线， 巡河线可攻可守， 兵林线更具有侵略性。 横车占领肋道， 一般占领对方未出车的那一方， 对其马更具有威胁性， 牵制对面的马与炮。 有效步数有效步数相同的情况下

使用pytorch1.0版本 垃圾分类数据集下载 整理数据集数据集的文件结构为： - RubbishClassification - 0 - 1 - ... - 15 - train.json - val.json - ... 需要将其整理为： - RubbishDatasets - train - 0 - 1

通过简单的模型实现分类器后， 出现了过拟合问题， 接下来实验一些方法来解决。 加载数据、配置设备123import torchimport torchvisionimport torchvision.transforms as transforms 12345678910111213141516171819from enum import Flagfrom logging import ro

使用pytorch框架。 使用CIFAR10数据集， 图片数据大小3*32*32 加载并标准化数据导入包123import torchimport torchvisionimport torchvision.transforms as transforms 导入数据并标准化12345678910111213141516171819from enum import Flagfrom logging

公式分段函数12345678$$\begin&#123;equation&#125;h(x)=\begin&#123;cases&#125;x & (x>0) \\0 & (x<0)\end&#123;cases&#125; \end&#123;equation&#125;$$ 分数\frac 符号偏导数\partial 箭头leftarrow,rightarr

仅记录一些关键知识和理解供复习使用。 感知机、机器学习、深度学习三者均为给定输入， 经过一系列变换获得输出。 感知机的权重参数为人工设置， 且输出结果单调。 机器学习的权重参数为学习而来， 不过要对问题进行特征分析， 人工生成训练需要的特征数据。 深度学习将特征分析也纳入学习范围。 做到了仅设计学习架构和提供训练数据就可以完成学习。 区分神经网络与学习过程初步学习深度学习会把神经网络和其训练方式混

配置cuda和cudnn有独显的话尽量配置一下。 即使入门级的独显也要比cpu快5倍以上。 本博客中有相关教程。 安装pytorch前往pytorch官网选择对应版本安装。 注意最新版本的pytorch不支持cuda10.2版本， 可以点击 install previous versions of PyTorch寻找较新版本。 注意尽量用pip安装， 即使是在anaconda中。 如果pip安装

操作系统为 Windows10。 独显为英伟达显卡。 安装cuda查看显卡是否支持cuda， 以及对应cuda版本。 打开NVIDIA控制面板， 左下角系统信息， 查看组件中cuda驱动版本。 安装的cuda不能高于此版本（可以低， 比如11.3.101 可以装cuda10.2)。 顺便 去官网下载对应版本。 安装过程中注意选择自定义， 自定义组件中取消 VS。 C盘空间够的话尽量默认安在C盘，