该问题是在使用GradientTape训练MNIST数据集时发现的，尝试使用了三种方式进行训练：直接GradientTape训练，调用fit函数训练，重写fit函数后训练. 发现重写GradientTape训练的正确率尽然有96%，而后两者的正确率90%都不到，这引起了我很大的好奇心，于是通过查阅大量文档和阅读TF源代码一步一步排除问题，最终找到问题原因. 训练集使用最简单的MNIST，重写f

Inside TensorFlow - tf.Keras 笔记 检查是否使用gpu tf.test.is_gpu_available() tf.test.is_built_with_cuda() 使VScode能够识别keras中的函数，在.\Anaconda3\envs\你的环境名\Lib\site-packages\tensorflow\__init__.py中的末尾加入以下代码即可（参

由于CVPR大作业需要，学校给我们申请了一些服务器账号，这里记录下服务器基本配置方法及操作流程. 登录服务器 我使用的是最简单的方法登录的服务器，直接使用ssh进行连接. （还可以使用vscode连接服务器方法，也比较方便，且可以编辑代码） Windows，可以使cmd或者PowerShell，这里推荐在Windows Store中下载Windows Terminal，集成了上述两个，而

基础知识 定义1（函数范数） 设标量函数 u:Rn⊃Ω→Ru: \mathbb{R}^n\supset \Omega\to \mathbb{R}u:Rn⊃Ω→R，C(Ω)C(\Omega)C(Ω) 表示在 Ω\OmegaΩ 上的连续标量函数构成的线性空间，对于 u∈C(Ω)u\in C(\Omega)u∈C(Ω)，定义 ∣∣u∣∣C(Ω=sup⁡x∈Ω∣u(x)∣,（值域的上确界）||u||_

第一章 度量空间（距离空间） 定义1.1（度量，度量空间） 设 XXX 为非空集合，ρ(x,y)\rho(x, y)ρ(x,y) 是 XXX 上的一个双变元的实值函数，满足：（x,y,z∈Xx,y,z\in Xx,y,z∈X） 正定性：ρ(x,y)⩾0\rho(x, y)\geqslant 0ρ(x,y)⩾0 且 ρ(x,y)=0  ⟺  x=y\rho(x, y) = 0\iff x =

强化学习 强化学习（Reinforcement Learning, RL）是一种通过不断试错，并从中不断改进从而提升效果的学习算法. 一般来说，游戏或电脑中模拟的现实情况称为环境（Environment)，智能体（Agent）在环境中可以做出行动（Action）从而最大化累积奖励（Reward），在每次行动后，智能体可以通过观察（Observe）环境得到状态（State）的变化并获得当前行动的奖

卷积神经网络 简介 卷积神经网络（Convolution Neural Networks, CNN, ConvNet），结构特性：局部连接，权重共享，汇聚信息. 主要适用于图像处理的一种神经网络，其想法来源来自于生物模型中的感受野（Receptive Field），即视觉神经元只会接收到其所支配的刺激区域的信号，即获得某个区域内的加权平均结果，这种操作在数学中就是卷积. 卷积 这里的卷积指的

循环神经网络 简介 循环神经网络（Recurrent Neural Networks, RNN）是对前馈型全连接神经网络的改进. 全连接神经网络的输入维度在确定网络结构的时候已经固定，而且当特征之间具有的潜在关联性也无法解决. 循环神经网络支持输入任意长度的特征，并且可以通过处理特征之间具有的关联性，这也称为神经网络的记忆力. 一般的RNN具有短期记忆力，使用门控机制（Gating Mecha

题意 python整理代码 由于是第一次使用pandas进行数据分析，有很多不熟悉的地方，首先记录一下. 使用的是Jupyter Notebook完成，这个做数据分析确实非常好用，效果可以直接从网页中打开： 完整代码（颜色不清楚，请使用白色背景）：数据处理，回归分析-改进 使用的头文件，和绘图所用的参数 import numpy as np import panda

我的github项目链接, 包含全部完整代码和三维图像数据. 介绍 我们使用的是来自 tinyrenderer 的github项目: 使用C++从零开始建立一个光栅化渲染器, 能够帮助我们入门OpenGL并理解其原理. 它所依赖库非常少, 包含他写的两个库文件, tgaimage.cpp, tgaimage.h 和 .obj 3D模型文件读取库 model.cpp, model.h 和 几