动手学深度学习v2（3.1）线性回归
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。 在自然科学和社会科学领域，回归经常用来表示输入和输出之间的关系。 在机器学习领域中的大多数任务通常都与预测（prediction）有关。 当我们想预测一个数值时，就会涉及到回归问题。 常见的例子包括：预测价格（房屋、
动手学深度学习v2（2.5）自动微分
正如 2.4节中所说，求导是几乎所有深度学习优化算法的关键步骤。 虽然求导的计算很简单，只需要一些基本的微积分。 但对于复杂的模型，手工进行更新是一件很痛苦的事情（而且经常容易出错）。 深度学习框架通过自动计算导数，即自动微分（automatic differentiation）来加快求导。 实际中
动手学深度学习v2（2.4）微积分
在2500年前，古希腊人把一个多边形分成三角形，并把它们的面积相加，才找到计算多边形面积的方法。 为了求出曲线形状（比如圆）的面积，古希腊人在这样的形状上刻内接多边形。 如 图2.4.1所示，内接多边形的等长边越多，就越接近圆。 这个过程也被称为逼近法（method of exhaustion）。
Paddle API贡献指南（二）API 设计和命名规范
API 设计和命名规范-API文档-PaddlePaddle深度学习平台 API设计规范 总体原则 单一职责，每个 API 应只完成单一的任务 接口设计应考虑通用性，避免只适用于某些单一场景 符合行业标准，综合参考开源深度学习框架的接口设计，借鉴各框架的优点；除非飞桨 AP
Paddle API贡献指南（一）贡献前阅读
贡献前阅读-API文档-PaddlePaddle深度学习平台 本章主要介绍开发飞桨原生算子 API 的方法，可先参见通用的 代码贡献流程 章节，再结合本文介绍的 API 开发要点，即可掌握飞桨原生算子 API 开发方法和流程。
2024 Q4 PaddleMIX（五）热身任务——Stable Diffusion
PaddleMIX/ppdiffusers/examples/stable_diffusion/README.md at develop · PaddlePaddle/PaddleMIX 本文对于PaddleMIX Stable Diffusion训练推理流程重新进行梳理。 实验环境：aistudi
动手学深度学习v2（2.3）线性代数
标量 如果你曾经在餐厅支付餐费，那么应该已经知道一些基本的线性代数，比如在数字间相加或相乘。例如，北京的温度为52∘F（华氏度，除摄氏度外的另一种温度计量单位）。严格来说，仅包含一个数值被称为标量（scalar）。如果要将此华氏度值转换为更常用的摄氏度，则可以计算表达式c=95(f−32)，并将f赋
动手学深度学习v2（2.2）数据预处理
为了能用深度学习来解决现实世界的问题，我们经常从预处理原始数据开始， 而不是从那些准备好的张量格式数据开始。 在Python中常用的数据分析工具中，我们通常使用pandas软件包。 像庞大的Python生态系统中的许多其他扩展包一样，pandas可以与张量兼容。 本节我们将简要介绍使用pandas预
动手学深度学习v2（2.1）数据操作
数据操作 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： 获取数据； 将数据读入计算机后对其进行处理。 如果没有某种方法来存储数据，那么获取数据是没有意义的。 首先，我们介绍n维数组，也称为张量（tensor）。 使用过Python中NumPy计算包的读