Tornado是一个Python Web框架和异步网络库，起初由FriendFeed开发，通过使用非阻塞网络I/O，Tornado可以支撑上万级的连接，处理长连接，WebSockets和其他需要与每个用户保持长久连接的应用。

创建Django项目

打开cmd命令行，进入到存放Django项目的文件夹，例如我这里进入这个路径：D:\学习笔记\Web开发\test

输入以下代码

1

django-admin startproject django_demo

输入完成后可以看到在当前文件夹下面生成了一个django_demo文件夹，这个文件夹即为我们创建的Django工程。

汇聚层（Pooling）

通常当我们处理图像时，我们希望逐渐降低隐藏表⽰的空间分辨率、聚集信息，这样随着我们在神经⽹络中层叠的上升，每个神经元对其敏感的感受野（输⼊）就越⼤。

而我们的机器学习任务通常会跟全局图像的问题有关（例如，“图像是否包含⼀只猫呢？”），所以我们最后⼀层的神经元应该对整个输⼊的全局敏感。通过逐渐聚合信息，⽣成越来越粗糙的映射，最终实现学习全局表⽰的⽬标，同时将卷积图层的所有优势保留在中间层。

从全连接到卷积

全连接层主要存在以下问题：

1. 在使用全连接层处理图像数据时，需要先将图像展平为1维数组，然后再对进行相关的计算，这样做忽略了每个图像的空间结构信息。

2. 全连接层需要将上下两层的神经元全部相连接，这样会导致参数量非常多。举个例子：图像大小是$100\times100$的图像，再输入隐藏层神经元数量为50的网络中时，产生的权重参数量为$100\times100\times50=500\enspace000$

   阅读全文 »

层和块

之前⾸次介绍神经⽹络时，我们关注的是具有单⼀输出的线性模型。在这⾥，整个模型只有⼀个输出。

注意，单个神经⽹络

1. 接受⼀些输⼊；

2. ⽣成相应的标量输出；

3. 具有⼀组相关 参数（parameters），更新这些参数可以优化某⽬标函数

   阅读全文 »

多层感知机的从零开始实现

1
2
3

import torch
from torch import nn
from d2l import torch as d2l

1
2

batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)

线性回归的从零开始

1
2
3
4

%matplotlib inline
import random
import torch
from d2l import torch as d2l

生成数据集

为了简单起⻅，我们将根据带有噪声 $\epsilon$ 的线性模型构造⼀个⼈造数据集。我们的任务是使⽤这个有限样本的数据集来恢复这个模型的参数。我们将使⽤低维数据，这样可以很容易地将其可视化。

• 行内公式

  1

  $xxxxx$

• 行间公式

  1 2 3

  $$ xxxxxxx $$

  阅读全文 »

类型系统

Python运行时并不强制标注函数和变量类型。类型标注可被用于第三方工具，比如类型检查器、集成开发环境、静态检查器等。

最基本的支持由Any，Union，Tuple，Callable，TypeVar和Generic类型组成。

函数接受并返回一个字符串，注释像下面这样：

1
2

def greeting(name: str) -> str:
    return 'Hello ' + name

静态URL，第一个Web界面

新建脚本文件01_hello.py