微光工作室

Appearance

9olqLl7-x6XtWyNUssHvLGkRzM5cj2_KAPAYU4vaHIw

0: 跨出机器学习的第一步 ​

欢迎来到深度学习 ​

🌟 欢迎来到深度学习世界！​​ 机器学习是一门融合概率论、统计学、逼近论、凸分析、算法复杂度理论等多学科的交叉领域。它致力于让计算机模拟人类学习行为，获取新知识/技能，重组已有知识，持续优化系统性能。​深度学习正是机器学习中最耀眼的明星分支！

数学基础 ​

🧮 数学基础 (别担心！)​​ 你需要了解：

  • ​微积分​：重点掌握偏导数、链式求导、梯度概念与计算。

  • ​线性代数​：核心是矩阵运算和线性变换。矩阵运算里有必要拓展了解一下矩阵求导。

  • ​概率论​：高中基础足够理解大部分概念，只需熟悉新术语。

📌提示​：无需深钻，够用即可！

✅编程语言基础 ​

python，你可以看网课或者自己用文档学习，不需要很多内容，很多python操作你在后面的题目中并不会用上。

💻编辑器选择 ​

这里推荐pycharm或者vscode,可以使用其中的jupyter插件。

📱深度学习 ​

深度学习基本概念(非常推荐以动手学深度学习为主（有免费的教材与讲解视频，还附赠源代码和课程讨论区），吴恩达深度学习作为辅助理解)，Pytorch文档，Pytorch框架教学

🌈硬件要求 ​

作为一名软件工程专业的学生，我相信你的电脑一定配置还不错，深度学习是需要算力的，CPU虽然能胜任大部分计算任务，但是对于深度学习来说并不是最适合的，而GPU能加速计算过程，我们后面的任务需要用到GPU来加速你的计算，否则一个任务你可能会等待很久，如果你的电脑有独立显卡，那最好了。如果没有，那也不需要着急，因为现在有很多平台会提供免费的算力资源。 你可以使用以下平台获取算力：

  1. kaggle(实名注册后每周30小时的GPU加速时间，可用T4*2,P100)

  2. 阿里云(新用户可以选择免费使用，连续三月，每月250算力)

  3. 九天·毕昇(注册后 随机参加一个比赛可以获得1000算力豆折合下来是200 V100(16G)时)

  4. autoDL (有学生优惠95折，是目前使用最广泛的算力租借平台)

  5. 其他算力租借平台

⚠️环境配置（这一步很重要） ​

如果你想要在你自己的电脑上或者服务器上运行你的模型训练任务，环境配置是必要的，当然你也可以使用kaggle这一类的平台中的notebook来暂时避免麻烦，不过为了长远发展，我建议还是自己进行环境配置

  1. 李沐的动手学深度学习视频中有环境的配置过程可以参考

  2. 你已经是一名软件工程的学生了，网络上有丰富的教程你可以自行选择，所以STFW吧

环境要求有以下这些(其实跟着李沐应该没什么问题) conda/miniconda，jupyter，torch，torchvision，d2l/d2l-zh

速度慢的话可以换源

注意 ：conda是一个开源的软件包管理系统和环境管理系统，它主要用于安装多个版本的软件包及其依赖关系，并能轻松地在它们之间切换。建议你使用anaconda创建你自己的环境进行环境管理。

Tips ​

💡合理利用ai和搜索工具提高你的学习效率

🎯入门题目 ​

一些相关的简单的代码，经过学习你需要一些实践

1. 列表、元组与字典 ​

  1. 元组解包与切片

    python
    t = (10, 20, 30, 40)
print(t[-2:])          # 输出？
x, *y, z = t
print(y)               # 输出？
    t = (10, 20, 30, 40)
print(t[-2:])          # 输出？
x, *y, z = t
print(y)               # 输出？

  2. 字典嵌套操作

    python
    stu = {"name": "LiMing", "scores": {"Math": 90, "Python": 85}}
stu["scores"]["Python"] = 95  # 修改Python成绩
print(stu["scores"]["Python"])  # 输出？
    stu = {"name": "LiMing", "scores": {"Math": 90, "Python": 85}}
stu["scores"]["Python"] = 95  # 修改Python成绩
print(stu["scores"]["Python"])  # 输出？

2. 文件操作 ​

在一切开始之前，在当前目录下创建一个名为'example.txt'的文件，并输入以下内容。

深度学习是这样的，懂的人只需要全身心投入到网络模型架构中，随便堆叠几个模块，无聊试试就可以了，可是调参要考虑的事情就很多了，要不断在Python文件中修改学习率这些超参数，操作太复杂了

  1. 文件内容统计

    统计example.txt中"Python"出现的次数

  2. 行号标记写入
    将example.txt内容按行写入new.txt，每行前加行号

3. NumPy基础 ​

  1. 创建一个10*10的array A，并用1-100的随机值填充。

  2. 创建一个10*10的单位矩阵B，并将A与B作矩阵乘法，得到矩阵C。打印出矩阵C的值。

  3. 条件筛选操作 在矩阵A中找出大于80的元素并替换为0

  4. 分块计算平均值
    将10x10矩阵拆分为4个5x5子矩阵，求每个子矩阵均值

4. PyTorch基础 ​

  1. 张量创建和属性
python
import torch
# 创建张量 A：形状 (3, 4)，元素为 [0, 11] 的整数
A = torch.arange(12).reshape(3, 4)
# 创建张量 B：形状 (3, 4)，服从标准正态分布
B = _____
# 判断以下操作是否正确：
# (1) A.shape 返回 torch.Size([3, 4])  
# (2) B.dtype 默认返回 torch.float32  
# (3) A.device 默认为 GPU
import torch
# 创建张量 A：形状 (3, 4)，元素为 [0, 11] 的整数
A = torch.arange(12).reshape(3, 4)
# 创建张量 B：形状 (3, 4)，服从标准正态分布
B = _____
# 判断以下操作是否正确：
# (1) A.shape 返回 torch.Size([3, 4])  
# (2) B.dtype 默认返回 torch.float32  
# (3) A.device 默认为 GPU
  1. 张量运算与广播
python
a = torch.tensor([[1], [2], [3]])  # shape (3, 1)
b = torch.tensor([4, 5, 6])        # shape (3,)
# 计算 c = a + b，并写出 c 的形状
c = _____
# 计算 d = a * b，并解释广播规则
d = _____
a = torch.tensor([[1], [2], [3]])  # shape (3, 1)
b = torch.tensor([4, 5, 6])        # shape (3,)
# 计算 c = a + b，并写出 c 的形状
c = _____
# 计算 d = a * b，并解释广播规则
d = _____

提交要求 ​

提交内容 ​

  • 代码文件

    将代码部分的.ipynb文件作为邮件附件，命名格式：ml-0-姓名-学号.ipynb

  • 文档报告

    将写有这道题目文本解答的.md文件作为邮件附件，命名格式：ml-0-姓名-学号.md

提交方式 ​

  • 邮箱: gimmerml401@163.com

  • 主题: 0-姓名-学号

出题人：鹁霖

QQ：2046193615