前言 本来想做强化学习小车，但是技术栈似乎飞了，所以还是一步一步来嘛。 Part 1 Code import copy import random import json import matplotlib.pyplot as plt class OoxxMachine: def __init__(self): self.race = [[0, 0, 0], [0, 0, 0], [0, 0, 0]] # 用于表示棋盘 0代表没下过 1 A玩家 2 B玩家 self.flag = "in_race" # all situation is "…
前言 东雪莲可以和间眠大佐切割，我认为东雪莲也可以和锤头鲨本鲨切割。 首先 我不是棺材板 其次，准备开始了。 先品鉴一段 再来一段日配 文字-语音（GPT-SoVITS） 1 配置环境 1.1 Conda 先拉取最新的仓库 $ git clone https://github.com/RVC-Boss/GPT-SoVITS/ 然后创建一个conda环境 并且安装所需要的包 在安装之前你应该手动安装一下pytorch来避免一会自动安装的torch没有gpu用 去pytorch官网查看怎么使用pip 安装最新的pytorch即可 然后安装requirements.txt $ pip install -r requirements.txt 之后大概率会报错到爽 原因是你没有安装cpp相关工具，所以jieba_fast等一系列库无法被编译，这有两个解决办法，一是直接下载.whl文件安装，…
写在前面 最近老想用Pytorch来搓点网络了。 第一个例子：简单的CNN图像分类 一段一段代码来分析 import torch import torchvision import torchvision.transforms as transforms 导入必要的库，不扯淡 transform = transforms.Compose( [transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))]) batch_size = 4 trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True,…
前言 以前一直是调用，从来都是知其然而不知其所以然，不太好，正好最近一直在使用yolov5,又很想搓一个自然语言聊天机器人，就决定学一学： Part1 理论基础 1.1 正向传播 输入为矩阵，对矩阵进行仿射变换后加上激活函数，反复几层之后输入，经过Softmax输出结果。用交叉熵损失判断其模型好坏，并进行下一步操作 1.2 反向传播 首先明确反向传播即损失值对网络中仿射变换参数的改变 对于softmax层，反向传播softmax层输出预测与实际的差值 对于仿射变换层，引入正则化惩罚项:reg与学习率:epsilon来约束反向传播 这个时候对于一般仿射变换： H = W*X +B 与其反向传播的输入值dW,dB 有 dW = dW + reg * W 更新W与B有： W = W – epsilon * dW B = B – espsilon * dB 这样就能实现反向传播在仿射变换中的流动了…