- 博客(11)
- 收藏
- 关注
RSS订阅原创 小肝pytorch一会
博主这几周也是刚刚狂卷完基础的pytorch学习网课了！这里分享一个博主自己写的用于预测分类的RNN简单网络。loss = criterion(outputs,labels) # 计算损失。running_loss += loss.item() # 损失累加。optimizer.zero_grad() # 梯度清零。loss.backward() # 反向传播。# 定义损失函数和优化器(用的是交叉熵和随机梯度下降)# 加载CIFAR10数据集。# 将数据移动到GPU设备上。#在整个数据集上测试网络。
2025-04-14 18:25:07
912
原创 蛮有意思的GAN网络
生成器（Generator）负责生成模拟数据；判别器（Discriminator）负责判断输入的数据是真实的还是生成的。生成器要不断优化自己生成的数据让判别网络判断不出来，判别器也要优化自己让自己判断得更准确。二者关系形成对抗，因此叫对抗网络！让我们看看两位Ian J. Goodfellow等人在Generative Adversarial Networks再原著中的图解吧！由此，我们得到两个深度学习的模型：①生成模型：需要给定某种特征信息，来随机产生新的观测数据。
2025-03-13 16:02:34
637
原创 小白学习machine learning的第六天
因为有图和树结构等更加复杂的结构是循环神经网络难以招架滴！这里，我们采用一个全新的网络——递归神经网络！这里，原文给出了非常形象的栗子呀！如下图所示：按照上面不同的断句有歧义，因此，我们需要按照给出的树结构才能正确输入数据。
2025-03-04 22:57:20
659
原创 小白学习machine learning的第五天
遗忘门的权重矩阵Wf和偏置项bf输入门的权重矩阵Wi和偏置项bi输出门的权重矩阵Wo和偏置项bo计算单元状态的权重矩阵Wc和偏置项bc需要注意的是，每一个门的权重矩阵W的值应当由两个，因为输入向量和上一次的输出向量所乘的权重并不相同呀！原文补充了一点线性代数的公式，即乘以矩阵可看作是乘上对角线上的值。
2025-03-03 11:23:50
1797
原创 小白学习machine learning的第四天
（1）首先，使用循环神经网络而非前面所学习的网络 ——> 需要处理序列相关数据，即相邻输入数据间都存在着相应的关系。
2025-02-28 19:57:01
628
原创 小白学习machine learning的第三天
（1）首先，因为卷积神经网络更加适合图像、语音识别。①参数数量过多：就是一个像素点要一个隐藏层节点，数量太夸张了啊啊啊②像素点的远近相邻关系会被忽略，因为每个节点单独计算，这不是图像识别所需要的呀③全连接神经网络难以深度到3层以后，而神经网络一般越多层提取的特征越多，表达能力也就越强（2）那么，我们来看看卷积神经网络吧！局部连接每个神经元不再和上一层的所有神经元相连，而只和一小部分神经元相连，减少了很多参数。权值共享。
2025-02-26 17:34:15
1976
3
原创 小白学习machine learning的第一天
椭圆表示的是函数值的等高线，椭圆中心是函数的最小值点。红色是BGD的逼近曲线，而紫色是SGD的逼近曲线。其实w(i)就是特征：口语化一点就是这个人或者这个产品的出场日期，颜色，喜好，从事IT……然后在用学习速率 * 有梯度的cost function就得到了梯度下降的公式啦！提前声明这篇文章中的图片来源这篇稿子！'''初始化线性单元，设置输入参数的个数'''# 创建感知器，输入参数的特征数为1（工作年限）# 期望的输出列表，月薪，注意要与输入一一对应。'''训练线性单元'''#返回训练好的线性单元。
2025-02-07 18:03:34
678
1
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