- 博客(12)
- 收藏
- 关注
RSS订阅原创 深度学习二
2. 构建模型：使用深度学习框架（如TensorFlow或PyTorch）构建卷积神经网络（CNN）模型。CNN模型通常包括多个卷积层、池化层和全连接层。可以选择预训练的模型（如VGG16或ResNet）或从头开始构建自定义模型。3. 数据预处理：对图像数据进行预处理。这可能包括图像缩放、裁剪、标准化等操作。1. 数据准备：收集和准备图像数据集。图像数据集应包括不同类别的图像样本。4. 划分数据集：将数据集划分为训练集和测试集，通舒服。
2024-03-15 20:14:27
342
原创 神经网络模型
神经网络模型是一种模仿人类神经系统工作原理的计算模型，它由大量的人工神经元组成，并通过神经元之间的连接和传递信息来进行计算和学习。不同的神经网络模型根据其结构和连接方式的不同，具有不同的原理和应用。- 原理：前馈神经网络是最基本的神经网络模型，它由输入层、隐藏层和输出层组成。- 原理：自编码器是一种无监督学习的神经网络模型，通过将输入数据编码为低维表示，再解码重构回输入数据，实现数据的压缩和重建。- 应用：生成对抗网络广泛应用于生成图像、视频、文字等领域，如图像生成、图像修复、图像风格迁移等。
2024-01-25 07:31:37
408
原创 梯度下降算法 （Gradient Descent）
2)AdaGrad: 该算法的思想是独立地适应模型的每个参数：具有较大偏导数的参数相应有一个较大的学习率，而具有小偏导数的参数则对应一个较小的学习率。Momentum算法就是在SGD的基础上将纸团换成铁球，那么铁球在下山的过程中因为碰撞所受到的震荡较小，在遇到平地时因为动量较大，离开平地继续下降的机率大大提升。在1/2N中，1/2目的在于对L进行求导是使得导数的系数为1，因为N代表输入个数并且已知，所以此处1/2N 是求损失函数损失数值的平均值。每次迭代都要更新参数Wi（权重），B（截距项）。
2024-01-24 23:09:21
1417
1
原创 STM32GPIO外设深度剖析
1.GPIO简介GPIO是STM32最基本的外设之一，下面我们从三个方面来介绍STM32的GPIO，分别是：GPIO原理、相关寄存器、库函数编程2.GPIO工作原理GPIO是通用输入输出端口（General-purpose input/output）的英文简写，是所有的微控制器必不可少的外设之一，可以由STM32直接驱动从而实现与外部设备通信、控制以及采集和捕获的功能。
2023-12-24 14:55:31
1059
1
原创 神经网络(Neural Network)的理解
理解神经网络的关键是了解其基本组成和工作原理。这些库提供了丰富的函数和工具，可以简化神经网络的搭建和训练过程。神经网络的训练过程是通过反向传播算法来更新权重，从而使网络能够更好地拟合训练数据。反向传播算法通过计算网络输出与真实值的误差，并根据误差来调整权重，使误差逐渐减小。机器学习神经网络是一种模拟人脑神经系统工作方式的计算模型，通过学习和训练数据来提取特征并做出预测。6. 反向传播：根据损失函数的值，使用反向传播算法更新网络中的权重。4. 前向传播：将训练集的数据输入网络，计算网络的输出。
2023-12-22 08:39:28
308
1
原创 理解线性回归算法（Linear Regression）
线性回归算法的理解一、线性回归算法的理解线性回归属于监督机器学习的一种算法，确定唯一一个因变量（需要预测的值）和一个或多个自变量（预测变量：x）之间的关系，求得需要预测的最优解
2023-12-21 20:57:34
1138
2
原创 机器学习—神经网络概念
神经网络由多个神经元（neuron）组成，每个神经元接收一些输入，对输入进行一些处理后输出一个结果，这个结果又用于下一层神经元的输入。在神经网络中，一个重要的问题就是如何确定节点之间的权重，以使得输出值能够正确地预测训练集中的标签。这个问题通常通过反向传播算法来求解，它通过计算误差函数对每一个节点权重的偏导数，并利用梯度下降算法来调整权重，从而优化整个神经网络的预测能力。输入层接收待处理的数据，输出层输出处理的结果。隐藏层在输入层和输出层之间进行信息处理，使神经网络具备了更强的表达能力和更好的性能。
2023-11-27 18:55:37
162
1
原创 蓝桥杯单片机-IAP15F2K61S2-最全芯片
DS18B20温度，DS1302时钟，PCF8591，AT24C02（EEPROM)，NE555频率芯片，最全的芯片资料白嫖
2023-11-15 20:56:18
2714
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