- 博客(11)
- 收藏
- 关注
RSS订阅原创 人工智能作业10
VGG Net在当年的ImageNet大规模视觉识别挑战（ILSVRC）中取得了优异成绩，以其简洁的结构和卓越的性能获得了广泛关注。VGG Net的核心思想是通过使用较小的卷积核（如3x3）和多个连续卷积层来增加网络深度，从而提高模型的表达能力。VGG Net有多个版本，如VGG-16和VGG-19，这些数字代表网络中包含的权重层（卷积层和全连接层）的数量。尽管AlexNet最初是针对ImageNet数据集开发的，但它的架构和训练方法也可以应用于其他图像分类任务，如CIFAR数据集。
2023-06-25 15:27:33
116
原创 人工智能作业12
LSTM在计算过程中，会有一条"细胞状态"直接在各个时间步之间传递。在每个时间步，都会有一些信息被遗忘，一些新信息被添加进来。这个过程通过"遗忘门"和"输入门"来控制。因为细胞状态的这种线性传递性，使得LSTM能够在一定程度上避免梯度消失问题。长短期记忆网络是一种特殊的递归神经网络，它通过特别设计的网络结构来解决普通RNN在处理长序列数据时的梯度消失和爆炸问题。
2023-06-25 15:26:49
91
原创 人工智能作业11
在深度前馈网络中，当使用如sigmoid或tanh等饱和性激活函数时，网络在训练过程中可能会出现梯度消失的问题。相反，如果梯度过大，则可能会导致梯度爆炸，使得网络训练变得不稳定。这意味着在反向传播过程中，当梯度传播到靠近输入层的网络部分时，它们的值可能已经变得非常接近于零。序列到序列模型是一种在深度学习中用于生成序列的模型，特别适用于那些输入和输出都是序列的问题，如机器翻译、语音识别、文本摘要等。：与梯度消失相反，梯度爆炸是指在训练过程中，梯度变得非常大，这会导致权重更新过大，使得网络不稳定。
2023-06-25 15:26:10
97
原创 人工智能作业8
步长：在卷积神经网络中，步长指的是卷积核在输入数据上移动的步数。例如，步长为1意味着卷积核每次移动一步，步长为2意味着卷积核每次移动两步。 填充：在卷积神经网络中，填充是指通过向输入数据的边缘添加额外的“0”来保持空间维度。这样可以让卷积核处理边缘像素，并保持输出的空间维度不变。 感受野：感受野是神经网络中某一层的神经元对原始输入数据的感知范围。简单地说就是每个神经元能看到的输入数据的区域大小。 局部感知：局部感知意味着在卷积神经网络中，每个神经元只与输入数据的一个小区域相连，这使得神经网络能够捕捉到
2023-05-15 11:23:09
115
1
原创 人工智能作业7
卷积是一种数学运算，其实质是在两个函数之间进行积分运算。在计算机视觉领域中，卷积主要是通过滑动卷积核在输入数据上进行特征提取和图像处理。卷积核是一组固定的权重参数，用于对输入数据进行特征提取和卷积运算。卷积核通常是一个小的矩阵或者是一组矩阵，其大小和形状可以根据需要进行调整。卷积核的大小和形状决定了卷积运算提取特征的方式。多通道是指输入数据中包含了多个通道的信息，例如RGB彩色图像就包含了3个通道的信息，分别是红色通道、绿色通道和蓝色通道。
2023-05-15 11:21:58
145
1
原创 AI作业4
思想：KNN是找点P距离最近的k个点，判断这k个点多数是什么特征(带标签)，则P表示的样本就判断为什么特征；算法：样本中心化(使得计算量变小)->计算协方差矩阵(表示各点之间的相关程度，协方差为0则彼此无关)->协方差矩阵的特征值分解，对特征根排序->选择前L个最大特征根对应的特征向量组成映射矩阵(投影后选方差最大的L个)K-means是初始化质心后根据质心与各点的距离判断是否属于一个集合，然后利用数据重新计算质心位置，再重新将数据放入距离最近质心的集合中，反复迭代，直至质心基本保持不变。
2023-04-02 16:28:35
82
原创 AI作业3
分类是判别式方法，因为它通过已有的标记数据建立输入和输出之间的映射，从而对新的数据进行分类。聚类是生成式方法，因为它通过数据的统计特性来学习数据的分布，从而对数据进行聚类。生成式模型的优点是可以对数据的分布进行建模，从而生成新的数据；监督学习是判别式方法，因为它通过已有的标记数据建立输入和输出之间的映射，从而预测新的输出。无监督学习是生成式方法，因为它通过数据的统计特性来学习数据的分布，从而生成新的数据。判别式模型是通过输入数据直接预测输出结果的模型，不考虑输入数据与输出结果之间的概率分布关系。
2023-04-02 16:24:23
71
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