反向传播 反向传播 神经网络对模型的表达能力依赖于优化算法，优化是一个不断计算梯度并调整可学习参数的过程，Fluid中的优化算法可参考 优化器 。 在网络的训练过程中，梯度计算分为两个步骤：前向计算与 反向传播 。 前向计算会根据您搭建的网络结构，将输入单元的状态传递到输出单元。 反向传播借助 链式法则 ，计算两个或两个以上复合函数的导...

引言 引言 在这部分，您将了解 MegEngine 的基础概念和基本使用方法。 为了学习这部分内容，您需要： 根据 安装说明 成功安装 MegEngine。 具备 Python 和 NumPy 的基础知识。 您不需要： 了解其它的深度学习框架，如 PyTorch。 具备机器学习和深度神经网络的背景知识。 这部分...

反向传播 反向传播 神经网络对模型的表达能力依赖于优化算法，优化是一个不断计算梯度并调整可学习参数的过程，Fluid中的优化算法可参考 优化器 。 在网络的训练过程中，梯度计算分为两个步骤：前向计算与 反向传播 。 前向计算会根据您搭建的网络结构，将输入单元的状态传递到输出单元。 反向传播借助 链式法则 ，计算两个或两个以上复合函数的导数...

第 11 章 时间序列 第 11 章 时间序列 时间序列（time series）数据是一种重要的结构化数据形式，应用于多个领域，包括金融学、经济学、生态学、神经科学、物理学等。在多个时间点观察或测量到的任何事物都可以形成一段时间序列。很多时间序列是固定频率的，也就是说，数据点是根据某种规律定期出现的（比如每15秒、每5分钟、每月出现一次）。时间序列...

scikit-learn (sklearn) 官方文档中文版 维护地址 目录 贡献指南 项目负责人 项目协议 建议反馈 赞助我们 scikit-learn (sklearn) 官方文档中文版 scikit-learn 是基于 Python 语言的机器学习工具 简单高效的数据挖掘和数据分析工具 可供大家在各种环境中重复使用 建立在 N...

4.4. 自定义层 4.4.1. 不含模型参数的自定义层 4.4.2. 含模型参数的自定义层 4.4.3. 小结 4.4.4. 练习 4.4. 自定义层 深度学习的一个魅力在于神经网络中各式各样的层，例如全连接层和后面章节中将要介绍的卷积层、池化层与循环层。虽然Gluon提供了大量常用的层，但有时候我们依然希望自定义层。本节将介绍如何使用ND...

电影数据处理 1. 统计电影ID信息 2. 统计电影名字的单词，并给每个单词一个数字序号 3. 统计电影类别的单词，并给每个单词一个数字序号 4. 电影类别和电影名称定长填充，并保存所有电影数据到字典中 电影数据处理 电影信息包含在movies.dat中，数据格式为：MovieID::Title::Genres，保存的格式与用户数据相同，每一...

基本概念 计算图（Computation Graph） 张量（Tensor） 算子（Operator） 不同设备上的 Tensor 反向传播和自动求导 基本概念 MegEngine 是基于计算图的深度神经网络学习框架。本节内容会简要介绍计算图及其相关基本概念，以及它们在 MegEngine 中的实现。 计算图（Computat...

Evernote 安装Evernote插件 使用 快捷键设置 其他设置： Evernote 已经习惯了用markdown格式来记录笔记，Evernote无法实现markdown一直是个缺陷。 马克飞象已经解决了这一难题，但马克飞象 是收费的服务。本着节省（抠门）原则，我只好另辟蹊径，然后我发现了她—-Sublime的Evernote插件 ...