Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
OpenDocCN
apachecn-dl-zh
提交
e0feabce
A
apachecn-dl-zh
项目概览
OpenDocCN
/
apachecn-dl-zh
12 个月 前同步成功
通知
298
Star
83
Fork
35
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
A
apachecn-dl-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
体验新版 GitCode,发现更多精彩内容 >>
提交
e0feabce
编写于
1月 15, 2021
作者:
W
wizardforcel
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
2021-01-15 22:01:11
上级
0a791e63
变更
5
隐藏空白更改
内联
并排
Showing
5 changed file
with
8 addition
and
8 deletion
+8
-8
new/dl-pt-workshop/3.md
new/dl-pt-workshop/3.md
+4
-4
new/dl-pt-workshop/7.md
new/dl-pt-workshop/7.md
+1
-1
new/handson-1shot-learn-py/1.md
new/handson-1shot-learn-py/1.md
+1
-1
new/pt-ai-fund/3.md
new/pt-ai-fund/3.md
+1
-1
new/pt-dl-handson/7.md
new/pt-dl-handson/7.md
+1
-1
未找到文件。
new/dl-pt-workshop/3.md
浏览文件 @
e0feabce
...
...
@@ -688,9 +688,9 @@ batch_size = 100
4.
从验证集错误
**B)**
中减去训练集错误,并保存差值。
5.
Take the differences calculated in Steps 3 and 4 and use the following set of rules:
如果在
*步骤 3* 中计算出的差大于在*步骤 4*
中计算出的差,则该模型不适合,也称为遭受高偏差。
如果在
“步骤 3”中计算出的差大于在“步骤 4”
中计算出的差,则该模型不适合,也称为遭受高偏差。
如果在
*步骤 4* 中计算出的差大于在*步骤 3*
中计算出的差,则模型过拟合,也称为遭受高方差,如下图所示:
如果在
“步骤 4”中计算出的差大于在“步骤 3”
中计算出的差,则模型过拟合,也称为遭受高方差,如下图所示:
![
Figure 3.10: Diagram showing how to perform error analysis
](
img/B15778_03_10.jpg
)
...
...
@@ -993,7 +993,7 @@ traced_script = torch.jit.trace(模型,示例)
2.
复制包含最佳性能模型的体系结构的类,并将其保存在 Python 文件中。 确保导入 PyTorch 所需的库和模块。 将其命名为
**final_model.py**
。
3.
在 Jupyter Notebook 中,保存性能最佳的模型。 确保保存与输入单元有关的信息以及模型参数。 将其命名为
**checkpoint.pth**
。
4.
打开一个新的 Jupyter Notebook。
5.
导入 PyTorch 以及我们在
*步骤 2*
中创建的 Python 文件。
5.
导入 PyTorch 以及我们在
“步骤 2”
中创建的 Python 文件。
6.
创建一个加载模型的函数。
7.
Perform a prediction by inputting the following tensor into your model:
...
...
@@ -1008,7 +1008,7 @@ traced_script = torch.jit.trace(模型,示例)
0.0031,0.0021]])。float()
8.
使用 JIT 模块转换模型。
9.
通过从
*步骤 7*
中输入张量到模型的跟踪脚本中来执行预测。
9.
通过从
“步骤 7”
中输入张量到模型的跟踪脚本中来执行预测。
10.
打开一个新的 Jupyter Notebook,然后导入使用 Flask 创建 API 所需的库以及加载已保存模型的库。
11.
初始化 Flask 应用。
12.
定义一个函数来加载保存的模型并实例化该模型。
...
...
new/dl-pt-workshop/7.md
浏览文件 @
e0feabce
...
...
@@ -2278,7 +2278,7 @@
归还
此函数采用二维矩阵并将其展平。 接下来,它创建一个平坦矩阵的形状和包含字母的字典长度的零填充矩阵(在
*步骤 3*
中创建)。 接下来,它用一个字符填充对应于批处理中每个字符的字母。 最后,它对矩阵进行整形以使其为三维。
此函数采用二维矩阵并将其展平。 接下来,它创建一个平坦矩阵的形状和包含字母的字典长度的零填充矩阵(在
“步骤 3”
中创建)。 接下来,它用一个字符填充对应于批处理中每个字符的字母。 最后,它对矩阵进行整形以使其为三维。
6.
Create a class that defines the architecture of the network. This class should contain an additional function that initializes the states of the LSTM layers:
...
...
new/handson-1shot-learn-py/1.md
浏览文件 @
e0feabce
...
...
@@ -128,7 +128,7 @@ cd Hands-on-One-Shot-Learning/Chapter01
conda
create
--
name
*
environment_name
*
python
=
3.6
```
在
*步骤 3*
和
`4`
中,可以将
`environment_name`
替换为易于记忆的名称,例如
`one_shot`
或您选择的名称。
在
“步骤 3”
和
`4`
中,可以将
`environment_name`
替换为易于记忆的名称,例如
`one_shot`
或您选择的名称。
4.
使用以下命令激活环境:
...
...
new/pt-ai-fund/3.md
浏览文件 @
e0feabce
...
...
@@ -800,7 +800,7 @@ for batch_idx, (data, target) in enumerate(valid_loader):
data
,
target
=
data
.
to
(
device
),
target
.
to
(
device
)
```
16.
接下来,我们获得模型输出和损失,就像在
*步骤 9*
,
*步骤 10*
和
*步骤 13*
中所做的那样:
16.
接下来,我们获得模型输出和损失,就像在
“步骤 9”,“步骤 10”和“步骤 13”
中所做的那样:
```
py
output
=
model
(
data
)
...
...
new/pt-dl-handson/7.md
浏览文件 @
e0feabce
...
...
@@ -182,7 +182,7 @@ MDP 定义有五件事:
*
更新
`Q`
*
!
[
Deep Q-learning
](
img/B09475_07_009.jpg
)
这里要注意的一件事是,我们将使用相同的 epsilon-greedy 策略在
*步骤 6*
中选择动作,并在
*步骤 8*
中更新相同的策略。 这种算法称为策略上算法。 从某种意义上讲,这是很好的,因为在我们观察和更新同一策略时,将更快地学习该策略。 它收敛非常快。 它也有一些缺点,即所学习的策略和用于决策的策略彼此紧密地联系在一起。 如果我们想要一个更具探索性的策略,以便在
*步骤 6*
中选择观察结果,并在
*步骤 8*
中更新更优化的策略,该怎么办? 这样的算法被称为非策略算法。
这里要注意的一件事是,我们将使用相同的 epsilon-greedy 策略在
“步骤 6”中选择动作,并在“步骤 8”中更新相同的策略。 这种算法称为策略上算法。 从某种意义上讲,这是很好的,因为在我们观察和更新同一策略时,将更快地学习该策略。 它收敛非常快。 它也有一些缺点,即所学习的策略和用于决策的策略彼此紧密地联系在一起。 如果我们想要一个更具探索性的策略,以便在“步骤 6”中选择观察结果,并在“步骤 8”
中更新更优化的策略,该怎么办? 这样的算法被称为非策略算法。
Q 学习是一种非策略算法,因此,在 Q 学习中,我们将有两个策略。 我们用来推断动作的策略将是 epsilon-greedy 策略,并且我们将其称为策略网络。 我们将使用更新步骤更新的网络将是我们的目标网络。 那只能由一个贪婪的策略来控制,这意味着我们将始终选择 epsilon 等于零的最大值。 我们不会对此政策采取随机措施。 我们这样做是为了使我们更快地朝着更高的价值前进。 我们将通过不时复制策略网的权重(例如每隔一集一次)来更新目标网的权重。
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录