ML:Zero'
MathJax.Hub.Config({ tex2jax: {inlineMath: [['$', '$']]}, messageStyle: "none" });
可能有用的链接
🔗：课程链接
🔗：github
🔗：课程视频
mac的输入法问题
MathJax.Hub.Config({ tex2jax: {inlineMath: [['$', '$']]}, messageStyle: "none" });
设备：MacBook Pro M2
问题描述：系统经常性的卡死，鼠标不是指针，而是彩虹圈圈一直在转
解决方法：更换输入法
推荐输入法：Rime 输入法
d2l:数据操作+数据预处理
MathJax.Hub.Config({ tex2jax: {inlineMath: [['$', '$']]}, messageStyle: "none" });
N维数组样例
N维数组是机器学习和神经网络的主要数据结构
创建数组
创建数组需要：
形状
每个元素的数据类型
每个元素的值
访问元素
数据操作
1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465666
d2l:深度学习介绍
MathJax.Hub.Config({ tex2jax: {inlineMath: [['$', '$']]}, messageStyle: "none" });
相关链接
🔗：动手学深度学习在线课程
🔗：教材
🔗：pytorch官方文档
深度学习介绍
深度学习的概念和应用。深度学习是机器学习的一种,通过多层神经网络对数据进行学习和推理,可以应用于图像分类、自然语言处理、物体检测等领域。视频还列举了一些深度学习的突破应用,如图像分类、物体检测、人脸合成、文字生成模型等。其中,深度学习在广告点击预测方面的应用也被提及。
深度学习的概念和应用,包括计算机视觉、自然语
intern-03
MathJax.Hub.Config({ tex2jax: {inlineMath: [['$', '$']]}, messageStyle: "none" });
服务器
登录：root
密码：ayYeG518ofj:gl)c9nU-HpXKE
公网IP：120.92.77.135
要求：然后代码在/data10/spikeBert_Sqy文件夹，师弟可以复制一份到/data10/sqy里面作为备份。运行环境，直接conda sbert
注意：不要随便更改使用其他文件夹，谨慎使用rm，sudo指令哈
idea
https://docs.qq.com/slide/D
spikingjelly:Convolutional SNN to Classify FMNIST
MathJax.Hub.Config({ tex2jax: {inlineMath: [['$', '$']]}, messageStyle: "none" });
使用卷积SNN识别Fashion-MNIST
本教程作者： fangwei123456
在本节教程中，我们将搭建一个卷积脉冲神经网络，对 Fashion-MNIST 数据集进行
分类。Fashion-MNIST数据集，与MNIST数据集的格式相同，均为 1 * 28 * 28 的灰度图片。
1.网络结构
我们使用最常见的卷积神经网络结构。具体而言，网络结构为：
{Conv2d-BatchNorm2d-
spikingjelly:Single Fully Connected Layer SNN to Classify MNIST
MathJax.Hub.Config({ tex2jax: {inlineMath: [['$', '$']]}, messageStyle: "none" });
使用单层全连接SNN识别MNIST
本节教程将介绍如何使用编码器与替代梯度方法训练一个最简单的MNIST分类网络。
1.从头搭建一个简单的SNN网络
在PyTorch中搭建神经网络时，我们可以简单地使用nn.Sequential将多个网络层堆叠得到一个前馈网络，输入数据将依序流经各个网络层得到输出。
MNIST数据集包含若干尺寸为28x28的8位灰度图像，总共有0~9共10个类别。以MNIST的分类为例，一个简
spikingjelly:Monitor
MathJax.Hub.Config({ tex2jax: {inlineMath: [['$', '$']]}, messageStyle: "none" });
监视器
本教程作者： fangwei123456
在 :class:spikingjelly.activation_based.monitor 中定义了几个通用的监视器类，用户可以使用这些监视器实现复杂的数据记录功能。下面以一个简单的网络为例进行介绍。
1.基本使用
所有的监视器的用法类似,以spikingjelly.activation_based.monitor.OutputMonitor 为例进行介绍。
spikingjelly:Surrogate Gradient Method
MathJax.Hub.Config({ tex2jax: {inlineMath: [['$', '$']]}, messageStyle: "none" });
梯度替代
1.提出问题
在神经元章节中我们已经提到过,描述神经元放电过程的 S[t]=Θ(H[t]−Vthreshold)S[t] = \Theta(H[t] - V_{threshold})S[t]=Θ(H[t]−Vthreshold),使用了一个Heaviside阶跃函数:
Θ(x)={1,x≥00,x<0\Theta(x) =
\begin{cases}
1, & x \geq 0 \\
智慧树问答规则
MathJax.Hub.Config({ tex2jax: {inlineMath: [['$', '$']]}, messageStyle: "none" });
1.【问答】问答规则~必看!必看!必看!
我们将重点关注问答的“质量”而非“数量”。无效问答数量多,可能分数反而会更低哦,为什么这样说呢,我们先看下问答分的计算规则:
互动分=(分子/分母)* 互动分总分数 * 百分比,最终四舍五入。若超出总分数的,取总分数,即满分
那接下来我们来看下这个规则里各部分的数值是如何定义的:
分母:本人单门课程下所有的提问、回答数相加,包含无效的,即包含被阿里自动审核屏蔽的、审核
