目录
一、重磅 | 完备的 AI 学习路线,最详细的资源整理!
CS231n: Convolutional Neural Networks for Visual Recognition
CS231n
子豪兄-2019最新CS231N斯坦福计算机视觉公开课
翻译
知乎
二. Loss Function
1. 交叉熵损失函数-Cross Entropy Error Function
1. softmax函数
初探softmax
干货 | 浅谈 Softmax 函数
2. Cross Entropy Error Function
(1)定义
3. 总结
- 神经网络最后一层得到每个类别的得分scores;
- 该得分经过sigmoid(或softmax)函数获得概率输出;
- 模型预测的类别概率输出与真实类别的one hot形式进行交叉熵损失函数的计算
代码:
#-*- coding: utf-8 -*-
'''
Pytorch详解NLLLoss和CrossEntropyLoss
参考:https://blog.csdn.net/qq_22210253/article/details/85229988
'''
import torch
import torch.nn as nn
import torch.nn.functional as F
# 2 个图片, 3个类别 cat / dog 第12行分别是第12张图片的结果
input1 = torch.randn(2, 3)
print("input=:")
print(input1)
# 这里设置dim=1,可以看到每一行的加和为1
SoftMax = nn.Softmax(dim = 1)
SM = SoftMax(input1)
print("SM=:")
print(SM)
# 然后对Softmax的结果取自然对数
Log_SM = torch.log(SM)
print("Log_SM=:")
print(Log_SM)
# Softmax后的数值都在0~1之间,所以ln之后值域是负无穷到0。
# 假设我们现在Target是[1, 0](第一张图片是dog,第二张是cat)。
# 第一行取第1个元素,第二行取第0个,。再求个均值
NLLLoss = nn.NLLLoss()
target = torch.tensor([1, 0])
NLL_out = NLLLoss(Log_SM, target)
print("NLL_out")
print(NLL_out)
# CrossEntropyLoss就是把以上Softmax–Log–NLLLoss合并成一步,我们用刚刚随机出来的input直接验证一下结果是不是==
CrossEntropyLoss = nn.CrossEntropyLoss()
CE = CrossEntropyLoss(input1, target)
print("CE")
print(CE)
2. Focal Loss
1.Function
1. zhihu
2. 博客
3. bilbil
bilbil 博客
3. SoothL1Loss
hard example mining(https://zhuanlan.zhihu.com/p/51708428)
三. Activation Function
四、全连接网络(多层感知机-MLP)
1. 基本原理 代码片段:
#-*- coding: utf-8 -*-
# 利用 python 来模拟全连接神经网络的学习、迭代、反向传播过程
# https://www.bilibili.com/video/BV1K7411W7So?p=4
import numpy as np
from numpy.random import randn
N, D_in, H, D_out = 64, 1000, 100, 10
# 输入维度: (64, 1000) 输出维度:(64, 10)# 64 个数据,每个数据1000个特征;
x, y = randn(N, D_in), randn(N, D_out)
# 初始化权重
# w1:(1000, 100) w2:(100, 10)
w1, w2 = randn(D_in, H), randn(H, D_out)
# 迭代
for t in range(2000):
# 输入
h = 1 / (1 + np.exp(-x.dot(w1))) # sigmoid 激活函数
y_pred = h.dot(w2) # 线性
# loss
loss = np.square(y_pred - y).sum() # 均方误差
print(t, loss)
# 计算梯度
# loss -> output
grad_y_pred = 2 * (y_pred- y)
# loss -> w2
grad_w2 = h.T.dot(grad_y_pred)
# loss -> hidden
grad_h = grad_y_pred.dot(w2.T)
# loss -> w1
grad_w1 = x.T.dot(grad_h * h * (h - 1))
# 更新权重
w1 -= 1e-4 * grad_w1
w2 -= 1e-4 * grad_w2
# numpy.dot: dot()返回的是两个数组的点积(dot product)
2. Pytorch-利用全连接网络进行回归和分类!
五、卷积神经网络
1. 定义
CS231n
特点:
- 权值共享
- 局部感受野
- 平移不变性
池化: 引入平移不变性;减少参数量;防止过拟合;
理解一:
相比于全连接,卷积不需要神经元与前面的神经元全部连接,参数变少。
理解二:
图片网址
输入:N×N×3;
输出:N×N×1;
此处只有一个卷积核kernel ,该卷积核包含有三个通道。
![](https://img-blog.csdnimg.cn/20200529182619921.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0RPVFdPTEY=,size_16,color_FFFFFF,t_70)
2D 3D展示LeNet5的执行过程
https://www.cs.ryerson.ca/~aharley/vis/conv/flat.html
https://www.cs.ryerson.ca/~aharley/vis/conv/
2. Pytorch-利用卷积神经网络进行回归和分类!
我们对Markdown编辑器进行了一些功能拓展与语法支持,除了标准的Markdown编辑器功能,我们增加了如下几点新功能,帮助你用它写博客:
- 全新的界面设计 ,将会带来全新的写作体验;
- 在创作中心设置你喜爱的代码高亮样式,Markdown 将代码片显示选择的高亮样式 进行展示;
- 增加了 图片拖拽 功能,你可以将本地的图片直接拖拽到编辑区域直接展示;
- 全新的 KaTeX数学公式 语法;
- 增加了支持甘特图的mermaid语法1 功能;
- 增加了 多屏幕编辑 Markdown文章功能;
- 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能,功能按钮位于编辑区域与预览区域中间;
- 增加了 检查列表 功能。
功能快捷键
撤销:Ctrl/Command + Z
重做:Ctrl/Command + Y
加粗:Ctrl/Command + B
斜体:Ctrl/Command + I
标题:Ctrl/Command + Shift + H
无序列表:Ctrl/Command + Shift + U
有序列表:Ctrl/Command + Shift + O
检查列表:Ctrl/Command + Shift + C
插入代码:Ctrl/Command + Shift + K
插入链接:Ctrl/Command + Shift + L
插入图片:Ctrl/Command + Shift + G
查找:Ctrl/Command + F
替换:Ctrl/Command + G
合理的创建标题,有助于目录的生成
直接输入1次#,并按下space后,将生成1级标题。
输入2次#,并按下space后,将生成2级标题。
以此类推,我们支持6级标题。有助于使用TOC
语法后生成一个完美的目录。
如何改变文本的样式
强调文本 强调文本
加粗文本 加粗文本
标记文本
删除文本
引用文本
H2O is是液体。
210 运算结果是 1024.
插入链接与图片
链接: link.
图片:
带尺寸的图片:
居中的图片:
居中并且带尺寸的图片:
当然,我们为了让用户更加便捷,我们增加了图片拖拽功能。
如何插入一段漂亮的代码片
去博客设置页面,选择一款你喜欢的代码片高亮样式,下面展示同样高亮的 代码片
.
// An highlighted block
var foo = 'bar';
生成一个适合你的列表
- 项目
- 项目
- 项目
- 项目
- 项目1
- 项目2
- 项目3
- 计划任务
- 完成任务
创建一个表格
一个简单的表格是这么创建的:
项目 | Value |
---|---|
电脑 | $1600 |
手机 | $12 |
导管 | $1 |
设定内容居中、居左、居右
使用:---------:
居中
使用:----------
居左
使用----------:
居右
第一列 | 第二列 | 第三列 |
---|---|---|
第一列文本居中 | 第二列文本居右 | 第三列文本居左 |
SmartyPants
SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如:
TYPE | ASCII | HTML |
---|---|---|
Single backticks | 'Isn't this fun?' | ‘Isn’t this fun?’ |
Quotes | "Isn't this fun?" | “Isn’t this fun?” |
Dashes | -- is en-dash, --- is em-dash | – is en-dash, — is em-dash |
创建一个自定义列表
-
Markdown
- Text-to- HTML conversion tool Authors
- John
- Luke
如何创建一个注脚
一个具有注脚的文本。2
注释也是必不可少的
Markdown将文本转换为 HTML。
KaTeX数学公式
您可以使用渲染LaTeX数学表达式 KaTeX:
Gamma公式展示 Γ ( n ) = ( n − 1 ) ! ∀ n ∈ N \Gamma(n) = (n-1)!\quad\forall n\in\mathbb N Γ(n)=(n−1)!∀n∈N 是通过欧拉积分
Γ ( z ) = ∫ 0 ∞ t z − 1 e − t d t . \Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,. Γ(z)=∫0∞tz−1e−tdt.
你可以找到更多关于的信息 LaTeX 数学表达式here.
新的甘特图功能,丰富你的文章
- 关于 甘特图 语法,参考 这儿,
UML 图表
可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图:
这将产生一个流程图。:
- 关于 Mermaid 语法,参考 这儿,
FLowchart流程图
我们依旧会支持flowchart的流程图:
- 关于 Flowchart流程图 语法,参考 这儿.
导出与导入
导出
如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ,生成一个.md文件或者.html文件进行本地保存。
导入
如果你想加载一篇你写过的.md文件,在上方工具栏可以选择导入功能进行对应扩展名的文件导入,
继续你的创作。
注脚的解释 ↩︎