Datawhale X 李宏毅苹果书AI夏令营 Task1 学习笔记

最新推荐文章于 2024-08-27 23:35:47 发布
最新推荐文章于 2024-08-27 23:35:47 发布
阅读量76 收藏
点赞数 1
文章标签： 人工智能 学习 笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/csgzbg/article/details/141613427
版权

1.学习内容

本次Task1学习的内容是看李宏毅老师的视频，以及看《深度学习详解》中的3.1 局部极小值与鞍点，3.2 批量和动量 两个章节。

2.学习感想

由于最近上班工作任务比较繁忙，本次又参与了DataWhale的两个课程，因此学习起来还是有些吃力，学习也是囫囵吞枣式的，但我相信只要坚持就会有收获，后续也会在工作之余多花时间来继续深入学习，加油！

csgzbg
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Datawhale X 李宏毅苹果书 AI夏令营task1笔记
scipig_的博客
08-22 799
本章主要介绍深度学习常见的一些概念，方便我们从不同的角度来更好地优化神经网络。
Datawhale X 李宏毅苹果书 AI夏令营TASK1学习笔记
2302_79239614的博客
08-26 626
通过本次学习，我了解到机器学习的核心在于构建一个能够预测未来结果的模型，并通过优化过程来调整模型参数以提高预测准确性。虽然梯度下降法可能会遇到局部最小值的问题，但通常来说，这种方法仍然是有效的。此外，我还学到了模型在训练数据上的性能通常优于新数据上的性能，这是由于过拟合等因素造成的。今后也继续努力。
Datawhale X 李宏毅苹果书AI夏令营 Task1学习笔记
最新发布
qq_70227063的博客
08-27 363
是csdn上发布的第一篇博客先叠个甲XD 本人是人工智能在读准大二学生，此前没有参与此类夏令营的经验，专业知识也较为浅薄，做的不好望海涵。
Datawhale X 李宏毅苹果书 AI夏令营 task1 学习笔记
2403_86956844的博客
08-25 245
人类先准备好一些选项，这些选项称为类别（class），现在要找的函数的输出就是从设定好的选项里面选择一个当作输出，该任务称为分类。举个例子，疫情期间使用的人脸识别技术，是分类的某种再运用。假设要找的函数解决的任务是输出是一个确定的数值，一个标量（scalar），这种机器学习的任务称为回归。让后让机器以枚举的方式设置不同的b与w，将这种方式得出的y与实际数据相对比，求出loss。• 每次更新后，损失函数沿着梯度的负方向下降，参数逐渐逼近最优解。• 其中， η 为学习率，用于控制每次更新的步长。
Datawhale X 李宏毅苹果书 AI夏令营 Task1学习笔记
weixin_59631488的博客
08-24 200
L(b,w)，以b和w作为输入，代入模型计算出的yhat与历史真实数据计算在这个b和w情况下的损失，如平均绝对误差：取所有|y - yhat|的平均值作为L；通过使用如梯度下降等的优化方法，找出能使损失L最小的b和w（需注意梯度下降法可能找到的是局部最小值，而不是全局最小值）。y = b + wx1，y是函数的输出结果，x1是已知的特征信息，w是权重，b是偏置。· 结构化预测：函数的输出是一些有结构的输出，比如句子、图等。· 分类：函数的输出是对所给选项作出一个选择。· 回归：函数的输出是一个标量数值。
Datawhale X 李宏毅苹果书 AI夏令营 Task1 学习笔记
weixin_39574797的博客
08-26 176
我们一般说优化到某个地方的时候，这个地方的参数对损失的微分为0，当参数对损失微分为零的时候，梯度下降就不能再更新参数了，训练就停下来了，损失不再下降了。在用深层网络做优化的时候，随着参数的不断更新，对应的损失却不再下降，但是并没有到达一个理想的最低值，这样的优化是存在问题的，也就是陷入局部最优了。但是如果给定某一组参数，比如 θ′，在 θ′ 附近的损失函数是有办法写出来的。判断一个临界点到底是局部极小值还是鞍点需要知道损失函数的形状，但实际。即梯度是零且区别于局部极小值和局部极大值。
Datawhale X 李宏毅苹果书AI夏令营 Task 1 学习笔记
ybai34的博客
08-27 112
在深度学习模型的训练过程中，优化算法经常会在损失函数的局部极小值或鞍点停滞不前。本文档总结了局部极小值与鞍点的定义及其在深度学习中的表现，探讨了判断临界点种类的方法，及如何逃离鞍点的策略。通过对高维空间中的鞍点现象进行分析，本文阐述了在深度学习训练中局部极小值并不常见，鞍点才是主要挑战。
Datawhale X 李宏毅苹果书 AI夏令营TASK2学习笔记
2302_79239614的博客
08-27 797
在TASK1中简单了解了一下机器学习所具备的三个关键要素和实际应用，在TASK2中更近一步地了解在构建模型中的优化方案。
Datawhale X 李宏毅苹果书 AI夏令营 Task1 小白学习笔记
pondba的博客
08-27 48
Datawhale X 李宏毅苹果书 AI夏令营：TASK2+CNN实践, pytorch，数据增强，可视化
08-26
Datawhale X 李宏毅苹果书 AI夏令营：TASK2+CNN实践, pytorch，数据增强，可视化
Datawhale X 李宏毅苹果书 AI夏令营：《深度学习详解》
08-24
Datawhale X 李宏毅苹果书 AI夏令营：《深度学习详解》
Datawhale 5 李宏毅苹果书 AI夏令营.pdf
08-26
Datawhale 5 李宏毅苹果书 AI夏令营.pdf
Datawhale X 李宏毅苹果书 全书
08-26
Datawhale X 李宏毅苹果书 全书
Spark MLlib模型训练—分类算法Multinomial Logistic Regression
08-27 202
多项逻辑回归（Multinomial Logistic Regression）是对二项逻辑回归（Binary Logistic Regression）的扩展，适用于多分类问题。当目标变量不再是二分类（如 0 或 1），而是多于两个类别（如 A, B, C），多项逻辑回归便成为了适用的选择。与二项逻辑回归类似，多项逻辑回归基于线性模型，但其核心区别在于输出类别不再局限于两个，而是扩展至多个。，模型预测的标签为 0，对应的概率为 0.876，表明该样本属于类别 0 的可能性最大。使得训练数据的似然最大。
python 实现convolution neural network卷积神经网络算法
luthane的博客
08-26 1516
卷积神经网络（Convolutional Neural Networks, CNN）是一种包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks, FNN），是深度学习的代表算法之一。基本原理CNN的核心思想是通过模拟人类视觉系统的工作方式，自动提取图像中的特征，并将其用于分类、检测、分割等任务。它主要受到了生物学上感知机制的启发，模拟了人类视觉系统中的感知细胞和复杂细胞的工作方式。
透明性和解释性AI：概念与应用
weixin_49007164的博客
08-25 1044
透明性AI指的是AI系统的操作过程、决策机制、数据流动和模型行为是可理解和可追踪的。换句话说，透明性AI使得人们可以清楚地看到AI系统是如何做出决策的，这一过程包括输入数据的处理方式、模型的内部计算过程、以及最终决策的产生机制。解释性AI是指AI系统不仅能够给出决策结果，还能够提供关于该决策如何产生的解释。解释性AI的目标是帮助用户理解AI的行为，尤其是当AI的决策与预期不符时，提供合理的解释来消除用户的疑虑。
【python计算机视觉编程——1.基本的图像操作和处理】
m0_53694086的博客
08-26 876
参数sigma为标准差（σ），是高斯滤波器的一个重要参数，它控制滤波器的平滑程度。标准差越大，高斯函数的曲线越宽，滤波器的影响范围就越大。标准差较大: 高斯滤波器会在更大范围内进行平滑，使得图像变得更加模糊，细节和边缘特征会被更强地平滑掉。标准差较小: 高斯滤波器会产生较小范围的平滑效果，图像的细节保留更多。还可以给定转换矩阵，将RGB图像转换为CIE XYZ色彩空间。图像像素值被分成128个区间，用于计算每个区间的像素值频率。可以返回目录中所有jpg图像的列表。
【论文解读】自由能原理在多个领域的统一视角
神经美学_茂森的博客
08-27 217
自由能原理作为一个统一的理论框架，成功地将多个看似不相关的领域（如神经科学、物理学、经济学、信息论、控制论、认知科学和生物学进化）联系在一起。通过自由能原理，我们可以更深刻地理解不同系统如何在给定条件下实现最优行为或状态。#自由能原理 #跨领域统一框架 #优化逻辑 #参数调节 #贝叶斯大脑 #预测编码 #最优控制 #注意力机制 #自然选择 #机器学习。：自由能原理、跨领域统一框架、优化逻辑、参数调节、贝叶斯大脑、预测编码、最优控制、注意力机制、自然选择、机器学习。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值