- 博客(5)
- 收藏
- 关注
RSS订阅原创 GAN生成对抗网络
GAN（Generative Adversarial Networks），即生成对抗网络，是深度学习领域中一种极具创新性的模型架构。GAN主要由生成器（Generator）和判别器（Discriminator）两个主要部分组成。生成器的作用是接收随机噪声(也就是随机值)作为输入，并试图生成逼真的样本数据，例如生成逼真的图像、文本等。生成器的目标是让其生成的样本尽可能地接近真实数据的分布，从而欺骗判别器。判别器则负责区分输入的数据是来自真实数据分布还是由生成器生成的数据。
2025-07-24 09:09:21
1672
原创 VGG16
VGG16的卷积部分采用了较小的3x3卷积核和步长为1的卷积操作，这种设计方式使得网络可以更深，从而提升了特征的表达能力。在每两个卷积层之间，VGG16还使用了2x2的最大池化层，以减小特征图的尺寸并保留最显著的特征。在最后的卷积层之后，VGG16采用了三个全连接层，每个全连接层都有4096个隐藏单元，最后一个全连接层输出模型的预测结果。为了解决这个问题，后续的研究工作提出了一些改进版本的VGG模型，如VGG19和VGGNet等，它们在VGG16的基础上进行了一些调整和优化，以提高模型的性能和效率。
2025-07-23 09:13:30
368
原创 CNN卷积神经网络
权重的共享是其和BP神经网络根本的区别w就是输入尺寸，k是过滤器尺寸，p是填充的大小，s是步幅。前向传播是我们自己来定义的，而后向传播是自动执行的权重为9*4=36。
2025-07-08 10:53:33
1762
原创 梯度下降相关知识
梯度是有方向的，如果把梯度向量比喻成一个作用力的话，最终的梯度方向就是它们的合力，而我们直接相加然后求平均值，所得到的方向和所有梯度向量和的方向是一致的，只不过是数值不一样。沿着梯度下降的方向求解极小值，我们知道梯度是有方向的（对于多元函数来说），它是一个由偏导数组成的向量，这就相当于我们沿着该方向的逆方向移动。print(f"迭代第{i}次，权重w：{w}，损失loss：{loss :10f}，梯度w_gra:{w_gra}")求导数（梯度）：w_gra=np.mean((w*x-y)*x)
2025-07-03 16:07:55
856
原创 Anaconda常用命令
本文整理了Python虚拟环境管理和PyTorch张量操作的核心知识点。虚拟环境部分包含创建、激活、删除环境等conda命令；PyTorch部分涵盖：1）Tensor与NumPy互转；2）五种创建Tensor的方法（初始化/随机/序列等）；3）Tensor属性查看（维度/形状/类型）；4）变形操作（flatten/reshape/view）；5）索引切片技巧；6）连接拆分方法（cat/stack/split）；7）矩阵转置与置换；8）基本运算和矩阵乘法；9）自动微分实现（requires_grad和back
2025-07-03 08:53:30
1675
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人