基于pytorch的深度学习
文章平均质量分 84
该专栏主要内容是基于pytorch的深度学习实战与基础知识学习。
(lemon seed)
这个作者很懒,什么都没留下…
展开
-
深度学习07:PyTorch 中常见的 Tensor 创建方式与示例
通过本篇博客,你已经学会了 PyTorch 中常见的几种 Tensor 创建方式。它们在深度学习模型的构建、数据处理以及矩阵运算中都扮演着至关重要的角色。无论是初始化权重、生成随机数据,还是定义特定类型的 Tensor,都可以用这些方法高效实现。希望这篇博客能帮助你在实际项目中更好地应用 PyTorch!原创 2024-10-05 00:21:00 · 460 阅读 · 0 评论 -
深度学习06:线性回归模型
通过本文的介绍,你应该已经理解了线性回归的基本概念以及如何使用 PyTorch 实现一个简单的线性回归模型。如何生成和处理数据。使用 PyTorch 搭建线性回归模型。梯度下降的基本流程:前向传播、计算损失、反向传播、参数更新。如何提取训练完成后的模型参数并进行可视化。线性回归虽然简单,但它是理解更复杂机器学习模型的基础。接下来,你可以进一步探索多元线性回归、正则化、以及更复杂的神经网络模型。希望这篇博客能为你理解线性回归和深度学习的入门奠定坚实的基础!原创 2024-10-04 23:30:02 · 883 阅读 · 0 评论 -
深度学习的核心特点:全面解析
近年来,成为了人工智能领域的核心推动力量,它的成功不仅仅是算法的创新,还包括方法论和实践模式的巨大转变。本文将深入分析深度学习的核心特点,并揭示它为何在多个领域中取得了突破性的进展。原创 2024-09-28 11:23:53 · 724 阅读 · 0 评论 -
深度学习04:无监督学习
无监督学习不依赖标签数据,而是通过探索和分析数据中的内在结构、关系和模式来解决问题。常见的无监督学习任务包括聚类降维因果推断和生成模型等,广泛应用于发现数据背后的潜在规律。原创 2024-09-27 21:29:07 · 1038 阅读 · 0 评论 -
深度学习(入门)03:监督学习
监督学习的核心在于构建一个模型,将输入特征映射到相应的标签,从而实现预测。举一个简单的例子,假如我们需要预测某位患者是否会心脏病发作,那么“心脏病发作”或“心脏病没有发作”就是标签,而输入特征则可能是患者的生命体征,例如心率、舒张压、收缩压等。分类是解决“哪一个”问题的任务,目标是预测一个样本属于哪个类别。它分为二项分类和多项分类,输出的结果是类别的概率分布,模型会根据最高的概率选择最可能的类别。分类任务还可以处理复杂的层次结构,通过考虑类别之间的关系,减少错误分类的严重性。搜索的核心。原创 2024-09-27 20:29:44 · 1468 阅读 · 0 评论 -
深度学习02:机器学习的组件
例如,对于回归任务,常见的目标函数是。原创 2024-09-27 00:09:19 · 542 阅读 · 0 评论 -
深度学习01:机器学习概念引入
即便我们要训练识别不同的唤醒词(如“Hey Siri”或“Alexa”),通过使用相似的数据集和算法,我们可以很容易地在同一个模型框架下实现不同任务的适配。举个例子,如果我们想让一个模型识别“猫”或“狗”的图片,我们不需要告诉模型每个特征如何定义,而是通过提供大量标记了“猫”和“狗”的图片,让模型自行学习出区分两者的特征。:我们不需要明确告知程序如何识别“Alexa”或“Hey Siri”,而是通过大量标记的数据样本(包含唤醒词和非唤醒词的音频片段)来让机器自动学习出不同的模式。原创 2024-09-25 00:01:34 · 663 阅读 · 0 评论