Git
[推荐教程](简介 - Git教程 - 廖雪峰的官方网站) 简介目前世界上最先进的分布式版本控制系统（没有之一） 场景你要用Microsoft Word写过长篇大论： 想删除一个段落，又怕将来想恢复找不回来怎么办？-＞手动保存一大堆版本 过了一周，你想找回被删除的文字，但是已经记不清删除前保存在哪个文件里了，只好一个一个文件去找 看着一堆乱七八糟的文件，想保留最新的一个，然后把其他的删掉，又怕哪天会用上，还不敢删 有些部分需要你的财务同事帮助填写，于是你把文件Copy到U盘里给她，一天后，同事再把Word文件传给你，此时，你必须想想，发给她之后到你收到她的文件期间，你作了哪些改动，得把你的改动和她的部分合并，真困难 于是你想，如果有一个软件，不但能自动帮我记录每次文件的改动，还可以让同事协作编辑，这样就不用自己管理一堆类似的文件了，也不需要把文件传来传去。如果想查看某次改动，只需要在软件里瞄一眼就可以，岂不是很方便？ 由此诞生了Git，结束了手动管理多个“版本”的史前时代，进入到版本控制的20世纪 集中式 vs...
命令行
命令行GUI、CLICSGO就不是命令行软件 GUI： *Command-Line Interface，命令行界面，*命令行界面用鼠标双击会跳窗口的软件 CLI： Graphical User Interface，图形用户界面在终端里敲键盘才能用的软件 Type GUI CLI 浏览器 Chrome/Firefox w3m/lynx 图像处理 PhotoShop ImageMagick 视频编辑 Pr/Davinci resolve FFmpeg 文本编辑 VSCode/Sublime Vim/TECO 为什么要使用命令行因为我们用计算机的目的不同：程序员要写程序 而命令行比GUI更高效 比如apt install gcc一行就能安装完整的C语言编译工具 *example：*比较两个文件是否相同 命令行： 123文本文件的比较：vimdiff file1 file2非文本文件的比较：diff file1 file2很大的文件：md5sum file1...
赛博扫盲
...
线性回归的从零开始实现（深度学习）
虽然现代的深度学习框架几乎可以自动化地进行所有这些工作，但从零开始实现可以确保我们真正知道自己在做什么。 同时，了解更细致的工作原理将方便我们自定义模型、自定义层或自定义损失函数 生成数据集为了简单起见，我们将根据带有噪声的线性模型构造一个人造数据集。 任务使用这个有限样本的数据集来恢复这个模型的参数 生成一个包含1000个样本的数据集，每个样本包含从标准正态分布中采样的2个特征。 使用线性模型参数$\mathbf{w} = [2, -3.4]^\top$、$b = 4.2$和噪声项$\epsilon$生成数据集及其标签：$$\mathbf{y}= \mathbf{X} \mathbf{w} + b + \mathbf\epsilon$$$\epsilon$可以视为模型预测和标签时的潜在观测误差。在这里我们认为标准假设成立，即$\epsilon$服从均值为0的正态分布。为了简化问题，我们将标准差设为0.01。 123456789101112131415161718192021222324%matplotlib inlineimport...
线性回归（深度学习）
回归（regression）是能为一个或多个自变量与因变量之间关系建模的一类方法 线性回归（linear regression） 线性回归的基本元素 线性模型 损失函数 解析解 随机梯度下降 用模型进行预测 例子根据房屋的面积（平方英尺）和房龄（年）来估算房屋价格（美元）。 训练数据集（training data set） 或训练集（training set）：房屋的销售价格、面积和房龄 样本（sample）/数据点（data point）或数据样本（data instance）：每行数据 标签（label）或目标（target）：试图预测的目标（比如预测房屋价格） 特征（feature）或协变量（covariate）：预测所依据的自变量（面积和房龄） 线性模型$$\mathrm{price} = w_{\mathrm{area}} \cdot \mathrm{area} + w_{\mathrm{age}} \cdot \mathrm{age} +...
概率（深度学习）
简单地说，机器学习就是做出预测 概率是一种灵活的语言，用于说明我们的确定程度，并且它可以有效地应用于广泛的领域中 基本概率论掷骰子1234567891011121314%matplotlib inlineimport torchfrom torch.distributions import multinomialfrom d2l import torch as d2lfair_probs = torch.ones([6]) / 6multinomial.Multinomial(1, fair_probs).sample() # tensor([0., 0., 0., 1., 0., 0.])multinomial.Multinomial(10, fair_probs).sample() # tensor([1., 2., 2., 1., 1., 3.])# 将结果存储为32位浮点数以进行除法counts = multinomial.Multinomial(1000, fair_probs).sample()counts / 1000 # 相对频率作为估计值#...
微积分（深度学习）
安装 matplotlib 库和 d2l 库123conda activate d2lpip install matplotlibpip install d2l 验证安装1234import matplotlibprint(matplotlib.__version__)import d2lprint(d2l.__version__) 导数和微分假设我们有一个函数$f: \mathbb{R} \rightarrow \mathbb{R}$，其输入和输出都是标量，如果$f$的导数存在，这个极限被定义为：$$f’(x) = \lim_{h \rightarrow 0} \frac{f(x+h) - f(x)}{h}.$$如果$f’(a)$存在，则称$f$在$a$处是可微（differentiable）的。 1234567%matplotlib inline import numpy as npfrom matplotlib_inline import backend_inlinefrom d2l import torch as d2ldef f(x): ...
线性代数（深度学习）
标量标量由只有一个元素的张量表示 12345678import torchx = torch.tensor(3.0)y = torch.tensor(2.0)x + y, x * y, x / y, x**y// (tensor(5.), tensor(6.), tensor(1.5000), tensor(9.)) 向量向量可以被视为标量值组成的列表，这些标量值被称为向量的元素（element）或分量（component） 1234x = torch.arange(4)x// tensor([0, 1, 2, 3]) 访问通过张量的索引来访问任一元素 12x[3]// tensot(3) 长度、维度和形状向量的长度通常称为向量的维度（dimension） 访问张量长度： 12len(x)// 4 **形状（shape）**是一个元素组，列出了张量沿每个轴的长度（维数） 用张量表示一个向量（只有一个轴）时，形状只有一个元素 访问： 12x.shape// torch.Size([4]) 矩阵 创建矩阵 12345678A =...
数据操作（深度学习）
为了能够完成各种数据操作，我们需要某种方法来存储和操作数据。 通常，我们需要做两件重要的事： （1）获取、存储数据； （2）将数据读入计算机后对其进行处理 张量n维数组，也叫张量（tensor）。与Numpy的ndarray类似，但深度学习框架又比Numpy的ndarray多一些重要功能： GPU支持加速计算，而NumPy仅支持CPU计算 张量类支持自动微分 创建张量用 arange 创建一个行向量 x：包含以0开始的前12个整数，它们默认创建为整数。也可指定创建类型为浮点数。 1x = torch.arange(12) 访问张量形状1x.shape 张量中元素总数1x.numel() 改变张量形状1X = x.reshape(3, 4) 可以以通过-1来调用此自动计算出维度的功能： x.reshape(-1, 4)或x.reshape(3, -1)来取代上面的代码 初始化张量使用全0、全1、其他常量，或者从特定分布中随机采样的数字 全0 1torch.zeros((2, 3, 4)) 全1 1torch.ones((2, 3,...
