语言环境为例，介绍如何安装 PyTorch 框架及其它开发软件。 一般来说，开发环境安装分为 4 大步骤：安装 Python 解释器 Anaconda，安装 CUDA 加速库，安装 PyTorch 框架和安装常用编辑器。 1.6.1 Anaconda 安装 Python 解释器是让以 Python 语言编写的代码能够被 CPU 执行的桥梁，是 Python 语言 的核心软件。用户可以从 https://www org/网站下载最新版本(Python 3.7)的解释器， 像普通的应用软件一样安装完成后，就可以调用 python.exe 程序执行 Python 语言编写的源 代码文件(.py 格式)。 这里选择安装集成了 Python 解释器和虚拟环境等一系列辅助功能的 Anaconda 软件， 用户通过安装 Anaconda 软件，可以同时获得 Python 解释器、包管理和虚拟环境等一系列 便捷功能，何乐而不为呢。首先从 Anaconda to my PATH environment variable”一项，这样可以通过命令行方式调用 Anaconda 程序。如图 1.23 所示，安装程序 询问是否连带安装 VS Code 软件，选择 Skip 即可。整个安装流程约持续 5 分钟，具体时间 预览版202112 第 1 章 人工智能绪论 18 需依据计算机性能而定。 图 1.22 Anaconda

的 2D绘图库，它以各种硬拷贝格 式和跨平台的交互式环境生成 出版质量级别的图形 。 通过 Matplotlib，开发者可以 仅需要几行代码，便可以生成 绘图，直方图，功率谱，条形 图，错误图，散点图等。 https://matplotlib.org/gallery/index.html 70 Python模块-Matplotlib 图形的各元素名称如下： 绘图框 是图形的最高容器，所 是图形的最高容器，所 有图形必须放置在绘图框中. 子图 是绘图框中所包含的图形 ，即便绘图框只包含一幅图，也 称之为子图. 元素 是组成子图的部件，从子 图最内部的数据线条到外围的坐 标轴标签等都属于元素 71 Python模块-Matplotlib 图 形 样 式 72 4. 机器学习的开发流程 01 机器学习概述 02 机器学习的类型 03 机器学习的背景知识

的 2D绘图库，它以各种硬拷贝格 式和跨平台的交互式环境生成 出版质量级别的图形 。 通过 Matplotlib，开发者可以 仅需要几行代码，便可以生成 绘图，直方图，功率谱，条形 图，错误图，散点图等。 https://matplotlib.org/gallery/index.html 71 Python模块-Matplotlib 图形的各元素名称如下： 绘图框 是图形的最高容器，所 是图形的最高容器，所 有图形必须放置在绘图框中. 子图 是绘图框中所包含的图形 ，即便绘图框只包含一幅图，也 称之为子图. 元素 是组成子图的部件，从子 图最内部的数据线条到外围的坐 标轴标签等都属于元素 72 Python模块-Matplotlib 图 形 样 式 73 深度学习框架 Keras 74 深度学习框架-PyTorch https://pytorch.org/

方法实现了快速读取 CSV（comma-separated) 文件到数据框的功能。 数据可视化库：matplotlib & seaborn & mplot3d matplotlib 是一个 Python 2D 绘图库，可以生成出版物质量级别的图像和各种硬拷贝格式， 并广泛支持多种平台，如：Python 脚本，Python，IPython Shell 和 Jupyter Notebook。 seaborn 是一个基于 是一个基于 matplotlib的 Python 数据可视化库。它提供了更易用的高级接口，用 于绘制精美且信息丰富的统计图形。 mpl_toolkits.mplot3d 是一个基础 3D绘图（散点图、平面图、折线图等）工具集，也是 matplotlib 库的一部分。同时，它也支持轻量级的独立安装模式。 数据分析（2D） seaborn.lmplot 方法专门用于线性关系的可视化，适用于回归模型。

我们现在可以制造比以往任何时候都更自主的汽车（不过 可能没有一些公司试图让大家相信的那么自主），可以自动起草普通邮件的智能回复系统，帮助人们从令人 压抑的大收件箱中解放出来。在围棋等棋类游戏中，软件超越了世界上最优秀的人，这曾被认为是几十年后 的事。这些工具已经对工业和社会产生了越来越广泛的影响，改变了电影的制作方式、疾病的诊断方式，并 在基础科学中扮演着越来越重要的角色——从天体物理学到生物学。 （3）将模型拟合数据的优化算法； （4） 能够有效训练模型、克服数值计算缺陷并最大限度地利用现有硬件的工程方法。同时教授表述问题所需的批 判性思维技能、解决问题所需的数学知识，以及实现这些解决方案所需的软件工具，这是一个巨大的挑战。 在我们开始写这本书的时候，没有资源能够同时满足一些条件：（1）是最新的；（2）涵盖了现代机器学习的 所有领域，技术深度丰富；（3）在一本引人入胜的教科书中，人们可以在实践教程中找到干净的可运行代码， 数、类等封装在d2l包中。对于要保存到包 中的任何代码块，比如一个函数、一个类或者多个导入，我们都会标记为#@save。我们在 16.6节 中提供了这 些函数和类的详细描述。d2l软件包是轻量级的，仅需要以下软件包和模块作为依赖项： #@save import collections import hashlib import math import os import random

命名习惯 数理统计技术 数据挖掘技术 脏数据 数据清理策略、规则 满足数据质量要求的数据 数据清理原理 10 探索性数据分析(EDA) 探索性数据分析（EDA）是一个开放式流程，我们制作绘图并计算 统计数据，以便探索我们的数据。 •目的是找到异常，模式，趋势或关系。 这些可能是有趣的（例如， 找到两个变量之间的相关性），或者它们可用于建模决策，例如使 用哪些特征。 •简而言之

用一定的数学模型来近似描述这个序列，这 个模型一旦被识别后，就可以从时间序列的 过去值及现在值来预测未来值。 64 时序模型—ARIMA 第1步 获取被观测的 时间序列数据 第2步 根据时间序列 数据进行绘图 ，观测是否为 平稳时间序列 从平稳的时间序列 中求得自相关系数 ACF和偏自相关系 数PACF，得到最 佳的阶层p和阶数 q ARIMA模型建立的基本步骤如下： 第3步 根据上述计算 的d、q、p得到

show_shapes: 是否显示尺寸信息。 • show_layer_names: 是否显示层的名称。 • rankdir: 传递给 PyDot 的 rankdir 参数，一个指定绘图格式的字符串：’TB’ 创建一个垂直 绘图；’LR’ 创建一个水平绘图。 20.9 multi_gpu_model keras.utils.multi_gpu_model(model, gpus=None, cpu_merge=True

VR: Part 3 – The Future of VR》 SLAM应用介绍 • 增强现实：Google Tango Google的Tango项目演示视频 Tango为终端开发者提供了从硬件到软件的整套AR开发套件 SLAM应用介绍 • 混合现实：微软HoloLens HoloLens融合了场景位置感知和头盔显示技术，并提供了完整的软硬件解决方案。 Hololens部分传感器 左右双目+前视RGB摄像头+深度传感器 and Machine Intelligence (TPAMI), 31(6):974-988, 2009. 典型应用 • 三维重建 • 视频场景编辑 三维重建 三维重建 视频场景编辑 软件或源代码 • ENFT-SFM or LS-ACTS • http://www.zjucvg.net/ls-acts/ls-acts.html • RKSLAM: • http://www.zjucvg

chat_response) 1.8.3 使用 AutoGPTQ 量化你的模型 如果你想将自定义模型量化为 GPTQ 量化模型，我们建议你使用 AutoGPTQ 工具。推荐通过安装源代码的方 式获取并安装最新版本的该软件包。 git clone https://github.com/AutoGPTQ/AutoGPTQ cd AutoGPTQ pip install -e . 假设你已经基于 Qwen1.5-7B 在帮助用户利用 LlamaIndex 与 Qwen1.5 快速部署检索增强生成（RAG）技术。 1.15.1 环境准备 为实现检索增强生成（RAG），我们建议您首先安装与 LlamaIndex 相关的软件包。 以下是一个简单的代码示例： pip install llama-index pip install llama-index-llms-huggingface pip install lla