1.跟着《Python从0到1》敲代码

import torch
import pandas as pd
from ply.yacc import resultlimit

#打开 文件 在 {这个路径}
#   test = 读取 {内容}

with open('data/scifi.txt','r',encoding='utf-8')as file: #read #encoding编码
    text = file.read()

# 1)基本语法

#运算符

# + 加法
print(1+2)
# - 减法
# * 乘法
# / 除法
# % 取模
print(3%2)
# ** 幂
print(2 ** 3)
# // 取整除
print(3 // 2)

#比较运算符
a=1
b=3
print(a == b) #false 不相等 #true 相等

if(a == b):
    print("a等于b")
else:
    print("a不等于b")

if(a != b):
    print("a不等于b")

if(a == 2 and b ==3):
    print("a等于2且b等于3")

if(not a == 2):
    print("hahaha")

c=3
d=1

c += d #c=c+d
print(c)

#数据类型：number、string、list、tuple、dictionary

aa = 123 #数字
aaa = 123.5 #数字、浮点数 float poit （fp32)
bb = "hello" #字符串
cc = [1,2,5,6] #cc={"hahah","2","哈哈哈"} #列表
dd = (1,2,3,4) #元组
ee = {1,2,3,4} #集合
ff = {"name":"tome","age":18} #字典

# control+/ 加注释的快捷键

# [1,2,5,6]
# [1,2,5,6]
# [1,2,5,6] (3*4)矩阵

# 1)语法细节
# 变量 类
# 常用函数 print打印输出, import, len计算长度 ,type, range范围, enumerate编号, zip, sorted排序, reversed, map, set，list

print(len(cc))  #嵌套，打印cc列表长度
range(10)  #0,1,2,3,4,5,6,7,8,9
print(range(10))

#for... in...循环

for x in enumerate(bb): #0:h,1:e,2:l,3:l.4:o
    print(x)

print(sorted(cc)) #数字、汉字都可以排列

text = "北京天安门今天天气很好"
print(sorted(set(text)))
voca_size = len(list(sorted(set(text))))

while (a >= b):
    print("hello")
    break

#自定义方法

def printMyNumber(myElement):
    for x in enumerate(myElement):
        print(x)
myelem1 = "hello word"
printMyNumber(myelem1)

def getBatch(my_batch):
    resulet = torch.tensor(my_batch,dtype=torch.long)
    return resultlimit

myBatch = [1,2,3,4,5,6,7,8,9,10]

print(getBatch(cc))

d_model = 512
num_heads = 8
#类
import torch.nn as nn
class TransformerBlock(nn.Module):
    def __init__(self, d_model, num_heads): #第一个参数永远是self，
        self.d_model = d_model
        self.num_heads = num_heads

    def getDModel(self):
        return self.d_model

    def forward(self):
        pass

tf = TransformerBlock(d_model,num_heads)
result = tf.getDMode()
print(result)

#调用第三方的“方法”（通过类，方法名）
import numpy as np
pd.DataFram({"a":[1,2,3],"b":[4,5,6]})
data = np.array()

# #openAI库举例子
# from openai import OpenAI
# client = OpenAI()
#
# completion = client.chat.completions.createl
#     model="gpt-3.5-turbo",
#     messages=[
#         {"role": "system", "content": "你是一个数学助手"},
#         {"role": "user", "content":"3的平方根是多少？"}
#     ]
#
# print(completion.choices[0].message)

#列表推导式
my_list=[1,2,3,4,5,6,7,8,9,10]

def getSqt(my_list):
    result = []
    for x in my_list:
        if(x <5):
            result.append(x**2)
    return result

print(getSqt(my_list))

my_r2 = [x**2 for x in my_list if x<5]
print(my_r2)

#特殊print print（f"Input text: {prompt}")
city = "北京"
population = 20000000

print(f"{city}市有{population}人口")

2.复刻跨年烟花

原博客链接Python跨年烟花

1）创建环境

2）进入环境

3）安装工具

4）复制粘贴代码

5）跑代码

3.学习哔哩哔哩《PyTorch框架与经典卷积神经网络与实战》

第2章 CNN卷积神经网络算法原理

视频学习链接炮哥带你学

2.8 神经网络的前向传播

前向传播，其实就是模型model的计算过程。
无论是训练、推理、验证还是测试都有前向传播的一个过程。
最后希望模型得出的y与label值的误差越小越好，所以预测值y和真实值label存在误差函数

2.9 神经网络的损失函数

在有监督学习的条件下，每输入一个x，都会得到一个label，即真实值。
分类：输出的值是有限的、离散的。
回归：输出的值是连续的。如果直接用得到的预测值与真实值的差去计算平均误差，可能最后得到的平均误差刚好是0，与真实情况不符，所以引入了回归算法模型。
训练的过程就是：前向传播→计算误差→反向传播（更新w、b，梯度下降）

2.10 梯度下降法

2.11 反向传播计算案例

2.12 图像在计算机中的本质

无论是图像分类（resnet）、目标检测（YOLOv5）、分割（VNet）都是以CNN为基础的网络模型算法。
CNN模型的输入一般是图像或者视频流
从0到255，数字越大，颜色越浅,；数字越小，颜色越深。
图像在计算机里就是代表颜色的数字矩阵

2.13 全连接神经网络存在的问题

如果用全连接神经网络，图像可能被打乱破坏

2.14 卷积运算过程

卷积是一种运算。卷积神经网络泛指含有卷积运算的网络，包括Alex、ResNet、YOLOv5。卷积神经网络除了卷积运算，可能还有池化运算

2.15 步幅

步幅就是卷积核与图像相乘时，移动的步数

2.16 填充

步幅和填充操作，都可以控制输出图的大小。步幅越大，输出特征图越小；通过填充，输出特征图会变大

2.17 输出特征图计算公式特征图

P表示填充操作，S表示步幅。
如果计算出来是小数，一般向下取整。（Keavs，Pytorch）

下面这个计算公式非常重要！

2.18 多通道卷积运算

卷积核的通道数跟输入特征图的通道数一定相同，最后输出特征图的通道数为1。（后面有通道数不为1的情况）

但如果卷积核的数量有FN个，则输出特征图也有FN个通道。

2.19 池化操作

池化层在卷积神经网络中不算神经网络层，因为其不带参数，且没有池化核。池化层只算一步操作。

池化运算——最大池化运算，即找某个区域的最大值。

池化层——平均池化运算，即找一个区域的平均值

计算经过池化层后输出特征图的大小，计算公式与卷积层公式一样，其中FH为感受野。
同时，与卷积层不同的是，当输入特征图为三通道时，输出特征图也为三通道。

2.20 卷积神经网络整体结构

把理论学完啦！明天开始实战！