本内容参考动手学深度学习[1]。 在学习循环神经网络$(Recurrent Neural Network, RNN)$之前先了解一下序列模型，序列模型是专门用于处理和预测序列数据的模型。在自然语言处理、音频处理和时间序列处理有广泛的应用。 举例来说，用$x_{t}$表示价格，即在时间步$t \in \mathbb{Z}^+$，观察价格$x_{t}$，假设交易员想在$t$日预测股市的价格，可以表现为

本文使用LeNet5识别手写数字。 LetNet-5 的基本结构LeNet-5包含7层网络结构（不含输入层），包含两个卷积层、两个降采样层（池化层）、两个全连接层和输出层。 1.输入层(input layer)输入层的大小为32×32手写图像，在实际应用中，通常会对图像进行预处理，如对像素进行归一化。 2、卷积层C1（Convolutional layer C1） 代码： 1nn.Conv2d(

一. 张量的基础概念在学深度学习里，Tensor实际上就是一个多维数组（multidimensional array），是一种最基础的数据结构。 二. 张量常用操作访问某一个元素（最后一个跳跃访问，每三行访问一个元素，每两列访问一个元素） 构造一个张量： 12import torcha = torch.ones(3) 使用ndim查看张量的维度： 12t1 = torch.tensor([1,2

卷积神经网络基础概念卷积神经网络*(convolutional neural network，CNN)*是一种前馈神经网络，由一个或多个卷积层和顶端的全连通层，同时也包括关联权重和池化层。卷积具有两种性质：平移不变性和局部性。 重新考虑全连接层(全连接层的公式考虑为$y = w^{T}X+b$)的概念，将输入和输出变形为矩阵，可以得到以下的公式：$$[H]{i,j} = [U]

一. 搭建准备 搭建之前需要准备的软件： nodejs git ，git安装详见网上安装步骤 二， 安装hexo，完成简单本地页面展示1.以管理员身份进入cmd窗口输入指令： npm install -g hexo-cli 2.先创建一个文件夹myblog，在这个文件夹下直接右键git bash打开 然后初始化hexo hexo init // 初始化 hexo g // 生成静态文件 he