- 博客(7)
- 收藏
- 关注
RSS订阅原创 datawhale 吃瓜教程
机器学习的一般流程如下：首先收集若干样本（假设此时有 100 个），然后将其分为训练样本 （80 个）和测试样本（20 个），其中 80 个训练样本构成的集合称为“训练集”，20 个测试样本构成的集合 称为“测试集”，接着选用某个机器学习算法，让其在训练集上进行“学习”（或称为“训练”），然后产出 得到“模型”（或称为“学习器”），最后用测试集来测试模型的效果。本书以概念理解为主。假设空间是对模型可能形式的假设，不同假设空间中都有可能学的能够拟合训练集的模型，而版本空间是所有能够拟合训练集的模型的集合。
2024-09-18 21:54:28
419
原创 DataWhale 夏令营第五期 深度学习详解 TASK 3
如果选择 sigmoid，比较推荐对 z 做特征归一化，因为 sigmoid 是一个 s 的形状，其在 0 附近斜率比较大，如果对 z 做特征归一化，把所有的值都挪到 0 附近，到时候算梯度的时候，算出来的值会比较大。既然会看全部的通道，那么在描述一个感受野的时候，只要讲它的高跟宽，不用讲它的深度，因为它的深度就等于通道数，而高跟宽合起来叫做核大小。一张图像是一个三维的张量，其中一维代表图像的宽，另外一维代表图像的高，还有一维代表图像的通道（channel）的数目。3.7.1 考虑深度学习。
2024-09-02 10:33:22
775
原创 【无标题】
如图所见，通过使用AdGrad优化后，B→C段顺利又迈出了步子，但是在末尾阶段开始了抽搐，这是由于A→B段纵向的梯度改变累计导致的，但又因为其本身特性，会自动进行调整，又回到正轨。如y为一个含有三元素的向量，输出也应是三个元素，而将他们一一匹配的方式可以通过乘上不同权重，加上偏置，再乘上另一个权重，加上另一个偏置，输入一个特征向量后得到。AdaGrad 的优势在于它能自动调整学习率，不同的特征具有不同的学习率，但它也有一个局限性，即学习率会随着训练进行逐渐减小，可能导致收敛过慢。
2024-08-31 14:56:48
645
原创 Datawhale X 李宏毅苹果书 AI夏令营 TASK 1
将数据分为批量的时候的随机打乱有很多中不同的做法，一个常见的做法是在每一个回合开始之前重新划分批量，也就是说，每个回合的批量的数据都不一样。我们在深度学习的过程中有可能发现参数对损失函数微分为0的时候，梯度下降就不能更新参数了，训练就停下来了，损失也不再下降了。批量的大小即为训练数据的大小，在模型看完20笔数据之后，才能计算损失和梯度，参数才能更新一次。批量大小等于1，每一个回合中，参数都要更新20次。大的批量和小的批量各有优缺点。我们一般将梯度为0的点统称为。1.理解为什么优化会失败。
2024-08-25 15:02:53
177
原创 datawhale x 魔塔 AI训练营第四期
主要学习了comfyUI的工作方式，及相关运行方法，在实验中，将生成的大模型投入到openart网站上，最后实现了模型的训练。
2024-08-17 09:23:11
249
原创 datawhale AI夏令营第四期AIGC方向--TASK2
这一次的任务主要集中于代码的解读和学习，在阅读通义千问的答案时，我深深感觉到了AI的神奇，也从中学到了很多AI 相关的知识，很感谢这次任务
2024-08-13 08:52:29
230
原创 Datawhale AI 夏令营--第四期 AIGC方向
从中学到了很多，之后的主要目标还是加强对代码的研究，毕竟以后如果要深入了解大模型的话是一定要熟悉其中的各项组件，现在的部分还是要先看代码，熟悉各个部分的功能，之后才能逐渐学会自己开发ai程序。
2024-08-08 21:25:10
116
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