ImageDataGenerator(featurewise_center=False, samplewise_center=False, featurewise_std_normalization=False, samplewise_std_normalization=False, zca_whitening=False, zca_epsilon=1e-06, rotation_range=0 布尔值。将输入数据的均值设置为 0，逐特征进行。 • samplewise_center: 布尔值。将每个样本的均值设置为 0。 • featurewise_std_normalization: Boolean. 布尔值。将输入除以数据标准差，逐特征进行。 • samplewise_std_normalization: 布尔值。将每个输入除以其标准差。 • zca_epsilon: ZCA 白化的 epsilon 值，默认为 to_categorical(y_test, num_classes) datagen = ImageDataGenerator( featurewise_center=True, featurewise_std_normalization=True, rotation_range=20, width_shift_range=0.2, height_shift_range=0.2, horizontal_flip=True)

sigma) for mu, sigma in params], xlabel='x', ylabel='p(x)', figsize=(4.5, 2.5), legend=[f'mean {mu}, std {sigma}' for mu, sigma in params]) 3.1. 线性回归 91 就像我们所看到的，改变均值会产生沿x轴的偏移，增加方差将会分散分布、降低其峰值。 均方误差损失 Flatten(), nn.Linear(784, 10)) def init_weights(m): if type(m) == nn.Linear: nn.init.normal_(m.weight, std=0.01) net.apply(init_weights); 3.7.2 重新审视Softmax的实现 在前面 3.6节的例子中，我们计算了模型的输出，然后将此输出送入交叉熵损失。从数学上讲，这是一件完全 ReLU(), nn.Linear(256, 10)) def init_weights(m): if type(m) == nn.Linear: nn.init.normal_(m.weight, std=0.01) net.apply(init_weights); 训练过程的实现与我们实现softmax回归时完全相同，这种模块化设计使我们能够将与模型架构有关的内容 独立出来。 batch_size

default type rand/rand_like, randint ▪ [0, 1] ▪ [min, max) ▪ *_like randn ▪ N(0, 1) ▪ N(u, std) full arange/range linspace/logspace Ones/zeros/eye Ones/zeros/eye randperm ▪ random.shuffle

Image Resize ▪ 224x224 for ResNet18 ▪ Data Argumentation ▪ Rotate ▪ Crop ▪ Normalize ▪ Mean, std ▪ ToTensor Step2.build model ▪ Inherit from base class ▪ Define forward graph Step3.Train and

随机旋转 transforms.ToTensor(), # 转换为Tensor类型 transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) # 标准化 ]) # 加载图像数据 img = Image.open('image.jpg').convert('RGB') # 对图像进行数据增强

standard deviations and set their means to zero. In Matlab/Octave, this can be executed with sigma = std (x ) ; mu = mean(x ) ; x ( : , 2 ) = ( x ( : , 2 ) − mu( 2 ) ) . / sigma ( 2 ) ; x ( : , 3 ) = ( x

np.random.randint(0,10,size=(4,5)) > np.sum(a) 96 函数名 功能 sum 求和 average 加权平均数 var 方差 mean 期望 std 标准差 product 连乘积 37 求和，平均值，方差 a -------------- [[6, 3, 7, 4, 6], [9,

stddev2)分布的张量。例如，创建均值为 1，标准差为 0.5 的正态分布： In [34]: a = torch.empty(2,3) # 创建 2 行 3 列的未初始化张量 a.normal_(mean=1,std=0.5) # 采用均值为 1，标注差为 0.5 的正态分布初始化 Out[34]: tensor([[1.6049, 1.1765, 0.6371], [1.2312, 转置 # 标准化数据 def norm(x): # 减去每个字段的均值，并除以标准差 return (x - train_stats['mean']) / train_stats['std'] normed_train_data = norm(train_dataset) # 标准化训练集 normed_test_data = norm(test_dataset) # 标准化测试集 eps = torch.randn(log_var.shape) # 获得标注差 std = torch.exp(log_var*0.5) # 采样隐向量 z z = mu + std * eps return z 12.5.3 网络训练 网络固定训练 100 个 Epoch，每次从

It supports vector operations which operate on a vector (or a batch) of x variables (vectorized execution) instead of one variable at a time. Although it is possible to work without it, you would have to applications which frequently operate on batches of data. Using vectorized operations also speeds up the execution (and this book is about efficiency, after all!). We highly recommend learning and becoming familiar

keras：分布式和高性能的 Keras • 构建和训练模型的高层次 API • API 完全兼容原生 Keras • 支持保存和加载 TensorFlow SavedModel • 支持 Eager Execution • 支持分布式训练 tf.data：功能强大的数据管理模块 支持多种数据处理 图像解码 Shuffle py_function 重采样 支持多种数据格式 图像文件 文本文件 CSV