代表了高、宽均为 32。张量的维度数以及每个维度所代表的具体物理含义需要由用户 自行定义。 在 PyTorch 中，为了表达方便，一般把标量、向量、矩阵也统称为张量，不作区分， 需要根据张量的维度数或形状来自行判断，本书也沿用此方式。 首先来看标量在 PyTorch 是如何创建的，实现如下： In [1]: a = 1.2 # python 语言方式创建标量 aa = torch.tensor(1 算精度要求，部分对精度要求较高的算法，如某些强化学习算法，可以选择使用 torch.int64 和 torch.float64 精度保存张量。 4.2.1 读取精度 通过访问张量的 dtype 成员属性可以判断张量的保存精度，例如： In [15]: a = torch.tensor(np.pi, dtype=torch.float64) # 64 位 print('before:',a.dtype) ]等时，依据逻辑需要调整张量的存储顺序，如果不同步更新张量的存储顺序，那 么恢复出的数据将与新视图的逻辑不一致，从而导致数据错乱。合理性通常需要用户正确 理解数据，才能判断操作是否合理，因此具有一定主观性，但是对于大部分逻辑变换操作 而言，合理性都是可较好判断的。改变张量的存储顺序将在“交换维度”一节介绍。 在算法设计过程中，维度变换操作通常是连续反复进行的，为了保持合理的维度变 换，常用的技巧就是人为跟

在决策树的生成过程中，分割方法 即属性选择的度量是关键。 6 1.决策树原理 优点： ⚫ 推理过程容易理解，计算简单，可解释性强。 ⚫ 比较适合处理有缺失属性的样本。 ⚫ 可自动忽略目标变量没有贡献的属性变量，也为判断属性变量的重要性， 减少变量的数目提供参考。 缺点： ⚫ 容易造成过拟合，需要采用剪枝操作。 ⚫ 忽略了数据之间的相关性。 ⚫ 对于各类别样本数量不一致的数据，信息增益会偏向于那些更多数值的特 叶节点。然后用一 种成本复杂度的度量准则来判断哪棵子树应该被一个预测类别值的叶节点所代替 。 这种方法需要使用一个单独的测试数据集来评估所有的树，根据它们在测试数据 集熵的分类性能选出最佳的树。 36 CART算法 CART剪枝 具体流程: (1)计算每一个结点的条件熵 (2)递归的从叶子节点开始往上遍历, 减掉叶子节点,然后判断损失函数的 值是否减少,如果减少,则将父节点

4 监督学习的最主要类型 ✓ 分类（Classification） ✓ 身高1.85m，体重100kg的男人穿什么尺码的T恤？ ✓ 根据肿瘤的体积、患者的年龄来判断良性或恶性？ ✓ 根据用户的年龄、职业、存款数量来判断信用卡 是否会违约？ 分类问题 标签离散 输入变量可以是离散的，也可以是连续的。 5 二分类 分类问题 1 2 我们先从用蓝色圆形数据定义为类 型1，其余数据为类型2；

padding='same')(x) # 返回 x + y z = keras.layers.add([x, y]) 3.2.7.3 共享视觉模型 该模型在两个输入上重复使用同一个图像处理模块，以判断两个 MNIST 数字是否为相同的数字。 from keras.layers import Conv2D, MaxPooling2D, Input, Dense, Flatten from keras 的决定就取决于被监测数据的最大或者最小值。对于 val_acc，模式就会是 max，而对于 val_loss，模式就需要是 min，等等。在 auto 模式中，方向会自动从被监测的数据的名 字中判断出来。 • save_weights_only: 如 果 True， 那 么 只 有 模 型 的 权 重 会 被 保 存 (model.save_weights(filepath))， 否 则 的 max} 其中之一。在 min 模式中，当被监测的数据停止下降，训练就会停 止；在 max 模式中，当被监测的数据停止上升，训练就会停止；在 auto 模式中，方向会 自动从被监测的数据的名字中判断出来。 11.1.8 RemoteMonitor [source] keras.callbacks.RemoteMonitor(root='http://localhost:9000', pa

−?−1 或 (1 + ?)?= 1 + ?? + ?(?−1) 2! ?2 + ⋯ + ?(?−1)⋯(?−?+1) ?! ?? + ?(??) 高等数学 22 12.函数单调性的判断 Th1: 设函数?(?)在(?, ?)区间内可导，如果对∀? ∈ (?, ?)，都有? ′(?) > 0（或? ′(?) < 0），则 函数?(?)在(?, ?)内是单调增加的（或单调减少）。 若? = lim ?→∞ ?(?) ? , ? = lim ?→∞ [?(?) − ??]，则 ? = ?? + ?称为? = ?(?)的斜渐近线。 高等数学 25 14.函数凹凸性的判断 Th1: (凹凸性的判别定理）若在I上?″(?) < 0（或?″(?) > 0）， 则?(?)在I上是凸的（或凹的） 。 Th2: (拐点的判别定理1)若在?0处?″(?) = 0，（或?″(

腾讯优图图像技术能力 SACC2017 内容审核 - 图片鉴黄解决方案 区分图像中的色情、性感和正常内容 DeepEye可给出图片属于色情、性感和正常 的概率，并结合三者概率给出综合分，通过 分数所属区间判断图片性质。 Ø 色情图片：包含露点或不雅行为的图片， 可直接打击； Ø 性感图片：又称疑似图片，不含直接色情 内容但有一定的诱惑性，建议进行人工审 核； Ø 正常图片：不含不良内容的正常图片。 识别应用：腾讯云，微云，QQ群 Ø 对于输入的图片，系统将会通过对其内容的识别 分析给出其属于武装份子、管制刀具、枪支弹药、 人群聚集、火灾、血腥、极端主义或恐怖主义标 识的概率，通过其概率最大的类型，判断其图片 性质属于属于暴恐还是正常。 Ø 高准确率： 在内部业务上测试，准确率97%，覆 盖80%以上的案例 Ø 腾讯云，承担每天数亿的图像审核， 已经 累计支持上百家客户。 Ø 微云，QQ群，支持视频识别的解决方案，

+ ?)?−?−1 或 (1 + ?)? = 1 + ?? + ?(?−1) 2! ?2 + ⋯ + ?(?−1)⋯(?−?+1) ?! ?? + ?(??) 12.函数单调性的判断 Th1: 设函数?(?)在(?, ?)区间内可导，如果对∀? ∈ (?, ?)，都有? ′(?) > 0（或? ′(?) < 0），则函数?(?)在(?, ?)内是单调增加的（或单调减少）。 (3)斜渐近线 若? = lim ?→∞ ?(?) ? , ? = lim ?→∞ [?(?) − ??]，则 ? = ?? + ?称为? = ?(?)的斜渐 近线。 14.函数凹凸性的判断 Th1: (凹凸性的判别定理）若在 I 上?″(?) < 0（或?″(?) > 0）， 则?(?)在 I 上是凸的 （或凹的）。 Th2: (拐点的判别定理 1)若在?0处?″(?) =

（6） Improved GAN--改进生成式对抗网络，提出了使模型训练稳定的五条 经验。 a.特征匹配（feature matching） b.最小批量判断（minibatch discrimination） c.历史平均（historical averaging） d.单边标签平滑（one-sided label

? ???? + ? 6 1.人工神经网络发展历史 1982年，加州理工学院J.J.Hopfield 教授提出了Hopfield神经网络模型 ，引入了计算能量概念，给出了网 络稳定性判断。 离散Hopfield神经网络模型 1T 2T IT N T … … 1x 2x ix nx 7 1.人工神经网络发展历史 1986年，Rumelhart和 McClelland为首的科学家提出了

✓ 如何预测上海浦东的房价？ ✓ 未来的股票市场走向？ ✓ 分类（Classification） ✓ 身高1.85m，体重100kg的男人穿什么尺码的T恤？ ✓ 根据肿瘤的体积、患者的年龄来判断良性或恶性？ 回归的概念 标签连续 标签离散 5 线性回归-概念 线性回归（Linear Regression） 是一种通过属性的线性组合来进行预测 的线性模型，其目的是找到一条直线或