10，结果符合预期。这个例子比较好地展示 了 scatter 函数的强大之处。 5.6.6 Meshgrid 网格函数 算法中对特征位置进行编码(Positional Encoding)时，或者可视化 3D 函数时，通常需要 生成一组网格点的坐标张量。在 PyTorch 中，可以通过 torch.meshgrid 函数方便地生成二维 网格的采样点坐标。考虑 2 个自变量 x 和 y 的 Sinc 函数表达式为： ? sin(?2 + ?2) ?2 + ?2 如果需要绘制在? ∈ [−8,8], ? ∈ [−8,8]区间的 Sinc 函数的 3D 曲面，如图 5.5 所示，则首先 需要生成 x 和 y 轴的网格点坐标集合{(?, ?)}，这样才能通过 Sinc 函数的表达式计算函数在 每个(?, ?)位置的输出值 z。 可以通过如下方式生成 1 万个坐标采样点： points = [] # 保存所有点的坐标列表 y) # 计算每个点(x,y)处的 sinc 函数值 points.append([x,y,z]) # 保存采样点 很明显这种串行采样方式效率极低，那么有没有简洁高效地方式生成网格坐标呢？答案是 肯定的，meshgrid 函数即可实现。 图 5.5 Sinc 函数 通过在 x 轴上进行采样 100 个数据点，y 轴上采样 100 个数据点，然后利用 预览版202112

sklearn提供了部分带交叉验证功能的模型 类如LassoCV、LogisticRegressionCV等， 这些类包含cv参数 26 2.Scikit-learn主要用法 交叉验证及超参数调优 超参数调优⸺网格搜索 from sklearn.model_selection import GridSearchCV from sklearn import svm svc = svm.SVC() params GridSearchCV(svc, params, cv=5) grid_search.fit(X_train, y_train) grid_search.best_params_ 在参数网格上进行穷举搜索，方法简单但是搜索速度慢（超参数较多时），且不 容易找到参数空间中的局部最优 27 2.Scikit-learn主要用法 交叉验证及超参数调优 超参数调优⸺随机搜索 from

用户下单 开始配送 骑士到店 骑士取餐 到达用户 完成交付 商户接单 商户出餐 到店时间 出餐时间 送餐时间 交付时间 等餐时间 2 到达识别，交付时间计算 数据积累，异常数据剔除 网格建立，分时段统计 交付时间预估 取餐/送餐分别回归拟合 骑士速度预估 9 时间预估 — 出餐时间预估 10 数据 & 特征工程 • 特征 = 基础特征 + 组合特征 + 统计特征 +

去除这些重复的框，获得真正的目标框。 如下图所示，人、马、车上有很多框，通 过NMS，得到唯一的检测框。 28 2.目标检测算法 非极大值抑制（Non-max suppression） 首先这个19×19网格上执行一下算法，你会得到19×19×8的输 出尺寸。不过对于这个例子来说，我们简化一下，就说你只做汽车 检测，我们就去掉?1、?2和?3，然后假设这条线对于19×19的每一 个输出，对于361

Discussions81 81 https://discuss.d2l.ai/t/1841 216 5. 深度学习计算 6 卷积神经网络 在前面的章节中，我们遇到过图像数据。这种数据的每个样本都由一个二维像素网格组成，每个像素可能是 一个或者多个数值，取决于是黑白还是彩色图像。到目前为止，我们处理这类结构丰富的数据的方式还不够 有效。我们仅仅通过将图像数据展平成一维向量而忽略了每个图像的空间结构信息，再将数据送入一个全连 c，而不是[V]a,b。 此外，由于输入图像是三维的，我们的隐藏表示H也最好采用三维张量。换句话说，对于每一个空间位置，我 们想要采用一组而不是一个隐藏表示。这样一组隐藏表示可以想象成一些互相堆叠的二维网格。因此，我们 可以把隐藏表示想象为一系列具有二维张量的通道（channel）。这些通道有时也被称为特征映射（feature maps），因为每个通道都向后续层提供一组空间化的学习特征。直观上可以想象在靠近输入的底层，一些通 -h, w, h)).T.repeat( in_height * in_width, 1) / 2 # 每个中心点都将有“boxes_per_pixel”个锚框， # 所以生成含所有锚框中心的网格，重复了“boxes_per_pixel”次 out_grid = torch.stack([shift_x, shift_y, shift_x, shift_y], dim=1).repeat