组，其中 None 表示可能为任何正整数)。在 input_shape 中不包含数据的 batch 大小。 • 某些 2D 层，例如 Dense，支持通过参数 input_dim 指定输入尺寸，某些 3D 时序层支持 input_dim 和 input_length 参数。 • 如果你需要为你的输入指定一个固定的 batch 大小（这对 stateful RNNs 很有用），你可以 传递一个 batch_size model.output_shape == (None, 3, 32) 参数 • n: 整数，重复次数。 输入尺寸 2D 张量，尺寸为 (num_samples, features)。 输出尺寸 3D 张量，尺寸为 (num_samples, n, features)。 5.2.9 Lambda [source] keras.layers.Lambda(function, output_shape=None • bias_constraint: 运用到偏置向量的约束函数 (详见 constraints)。 关于 KERAS 网络层 67 输入尺寸 3D 张量 ，尺寸为 (batch_size, steps, input_dim)。 输出尺寸 3D 张量，尺寸为 (batch_size, new_steps, filters)。由于填充或窗口按步长滑动，steps 值可能已更改。 5.3.2

operation），其中任何超出有效长度的位置都被掩蔽并置为0。 #@save def masked_softmax(X, valid_lens): """通过在最后一个轴上掩蔽元素来执行softmax操作""" # X:3D张量，valid_lens:1D或2D张量 if valid_lens is None: return nn.functional.softmax(X, dim=-1) else: shape torch.linspace(-1.0, 1.0, 101)) z = x**2 - y**2 ax = d2l.plt.figure().add_subplot(111, projection='3d') ax.plot_wireframe(x, y, z, **{'rstride': 10, 'cstride': 10}) ax.plot([0], [0], [0], 'rx') ticks 如果你希望对本书的内容有所贡献，则需要在GitHub上修改源文件（md文件，而不是ipynb文件）。使 用notedown插件，我们可以直接在Jupyter中修改md格式的notebook。 首先，安装notedown插件，运行Jupyter Notebook并加载插件： pip install d2l-notedown # 你可能需要卸载原始notedown jupyter notebook

����I��� �P��������I�M����U�� ��M�C�������� ��(������� ���)����� ����������� ������� DeepMapTM 3D Map for Localization 9 ● ������������ ● ����������� ������������������������ ����������������������� Detection) ��� 3D������ �����������������������(��������������������) � � ���D����������A� D�� ��������O� ���������� 3D������ ���(��������D���� ��� ��� ���(��������������)2��1��������� 3D������ ���

Geometrically, when n = 1, h✓(x) is actually a line in a 2D plane, while h✓(x) represents a plane in a 3D space when n = 2. Generally, when n � 3, h✓(x) defines a so-called “hyperplane” in a higher dimensional y(i)⌘2 1 Figure 1: 3D linear regression. Specifically, we aim at minimizing J(✓) over ✓. We give an illustration in Fig. 1 to explain linear regression in 3D space (i.e., n = 2). In the 3D space, the hypothesis

在引擎中流转log key，特征数据在外存 • 分业务场景支持  轻量级predictor：仅支持模型的计算，特征由业务传入，无状态设计  自定义predictor： 提供业务抽象，支持业务自定义逻辑，插件化实现 • 逻辑阶段抽象，业务根据自身需求选择性实现  数据获取： 根据业务的自身逻辑获取特征原始数据  特征抽取： 将特征数据进行转换，转换成模型所需的格式，比如离散化  模型计算：

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。 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。 数据分析（3D） Axes3D.scatter3D scatter3D 方法专门用于绘制3维的散点图。 数据归一化（3D） 数据处理：NumPy NumPy 是一个 BSD 开源协议许可的，面向 Python 用户的基础科学计算库，在多 维数组上实现了线性代数、傅立叶变换和其他丰富的函数运算。 X y 创建线性回归模型（数据流图） 创建会话（运行环境） 使用 TensorBoard 可视化模型数据流图 TensorBoard 可视化工具

1.15 目标检测效果图 图 1.16 语义分割效果图 视频理解(Video Understanding) 随着深度学习在 2D 图片的相关任务上取得较好的效 果，具有时间维度信息的 3D 视频理解任务受到越来越多的关注。常见的视频理解任务有 视频分类、行为检测、视频主体抽取等。常用的模型有 C3D、TSN、DOVF、TS_LSTM 等。 图片生成(Image Generation) × 4，现有 2 个通道的源张量 src， 其 shape 为:[2,4,4]，需要写入索引为[1,3]的通道上。 源张量：src 目标张量：x 输出 索引坐标：index 图 5.4 3D 张量更新示意图 下面将新的特征图写入目标张量中，实现如下： In [62]: # 构造写入位置，即 2 个位置 idx = torch.tensor([1, 3]) src = torch 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

visualize the relationship between the parameters θ ∈ R2 and J(θ). In this problem, we’ll plot J(θ) as a 3D surface plot. (When applying learning algorithms, we don’t usually try to plot J(θ) since usually θ use the orbit tool to view this plot from different viewpoints. What is the relationship between this 3D surface and the value of θ0 and θ1 that your implementation of gradient descent had found? Visualize

information Predict the age of a viewer watching a given video on YouTube Predict the location in 3D space of a robot arm end effector, given control signals (torques) sent to its various motors Predict efficiently when there are many parame- ters. Visualization Understanding what’s happening is hard, 2D? 3D? All these challenges become greater when there are many variables or parameters —-the so-called “curse

为什么选择 MXNet ？ MXNet: 可扩展的深度学习框架 MXNet 框架的特点 命令式 NDArray API 声明式 Symbolic Executor MXNet： 博采众家之长 3D Image Construction https://github.com/piiswrong/deep3d 100行Python代码 在 TX1 无人机上运行 TX1 with customized