3.1 线性回归 【李沐动手学深度学习】

已于 2022-10-07 14:15:37 修改
阅读量224 收藏
点赞数
分类专栏： 李沐动手学深度学习 文章标签： 深度学习 线性回归 算法
于 2022-09-25 18:45:07 首次发布
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/iCiven/article/details/127028219
版权

目录

房价预测问题：

一、房价预测问题：

1. 简化模型：

假设1：卧室个数、卫生间个数、居住面积记为 x1,x2,x3

假设2：成交价是各因素加权和 y = w1x1 + w2x2 + w3x3 + b

2. 线性模型：

 线性模型可以看做是单层神经网络

 3. 衡量预估质量

平方损失：

  4. 训练数据

。

 5. 参数学习

 6. 显式解

 

 总结

  • 线性回归是对n维输入的加权，外加偏差
  • 使用平方损失来衡量预测值和真实值的差异
  • 线性回归有显式解
  • 线性回归可以看作单层神经网络

二、基础优化方法

iCiven
关注
专栏目录
李沐-动手学深度学习-线性回归
qq_60678226的博客
05-24 923
回归（regression）是能为一个或多个自变量与因变量之间关系建模的一类方法。 线性模型可以看做是单层神经网络。 线性回归是对n维输入的加权，外加偏差。 使用平方损失来衡量预测值和真实值的差异。 线性回归具有显示解。 基础优化算法：梯度下降 步骤1：挑选一个初始值w0 步骤2：重复迭代参数 沿梯度方向将增加损失函数值 学习率：步长的超参数 学习率：不能太小：效率低；也不能太大：震荡没有下降； 总结： 梯度下降通过不断沿着反梯度方向更新参数求解 小批量随机梯度下降是深度学习默认的
【动手学深度学习】01-线性回归模型
gdxdekx的博客
03-10 1384
1.线性回归 linear-regression 1.1 一个简化模型 问题引入：房价预测，究竟什么决定着房价。 简化模型为：y=w1x1+w2+w3+b y=w_1x_1+w_2+w_3+by=w1​x1​+w2​+w3​+b​​​ 1.2 线性模型 1.2.1 模型公式定义 给定n为输入：x=[x1,x2,...,xn]T\mathbf{x}=[x_1,x_2,...,x_n]^Tx=[x1​,x2​,...,xn​]T​ 线性模型中有一个n维权重和一个标量偏差 ​ w
深度学习笔记4：线性回归+基础优化方法
qq_49407329的博客
08-17 647
学习李沐老师的深度学习（pytorch），做的笔记4（视频8）~~~
李沐-线性回归+基础优化算法
qq_36136196的博客
07-06 337
线性回归 线性模型 衡量预估质量 训练数据 参数学习 显式解 基础优化算法 梯度下降 选择学习率：不能太大，也不能太小 小批量随机梯度下降 选择批量大小：不能太大，也不能太小 总结 线性回归的从零开始实现 1.生成人造数据集,真值 features是每一行都包含一个二维数据样本呢,labels是每一啊很难过一个标量 定义一个data_iter 定义初始化模型参数，定义模型 定义损失函数，定义优化算法 此处/batch_size是在损失函数没有做，所以放到梯度这一块来做 训
线性回归闭式解推导
weixin_30326515的博客
04-26 2308
单词： multivariate linear regression 多元线性回归 Here I want to show how the normal equation is derived. 此处是如何获得该等式。 Given the hypothesis function. 给出假设函数。 [haɪˈpɒθəsɪs] 多元线性回归应用举例： 幸福度预测：有身体、财...
动手学深度学习3.1线性回归-笔记&练习（PyTorch）
scdifsn的博客
04-18 1219
李沐老师《动手学深度学习（PyTorch版）》3.1线性回归-笔记&练习详解
李沐动手学习深度学习——3.1练习
weixin_45496725的博客
02-28 222
线性回归——李沐动手学习深度学习的课后作业
动手学深度学习-（李沐）PyTorch版本
weixin_64338372的博客
04-04 9150
《动手学深度学习》PyTorch版本和TendorFlow版本（内有所有代码和PDF版下载地址）
动手学深度学习——线性回归（原理解释+代码详解）
qq_38473254的博客
07-14 5801
线性回归模型：y=wx+bdef linreg(X , w , b) : #@save """线性回归模型""" return torch . matmul(X , w) + b采取平方损失函数将y的形状统一为y_hat# y_hat是预测值, y是真实值 def squared_loss(y_hat , y) : #@save """均方损失""" # 返回平方误差 return(y_hat - y . reshape(y_hat . shape)) ** 2 / 2。
第3章3.1节-线性回归【深度学习基础】--动手学深度学习【Tensorflow2.0版本】
土豆洋芋山药蛋的博客
01-29 739
项目地址：https://github.com/TrickyGo/Dive-into-DL-TensorFlow2.0 UC 伯克利李沐的《动手学深度学习》开源书一经推出便广受好评。很多开发者使用了书的内容，并采用各种各样的深度学习框架将其复现。 现在，《动手学深度学习》书又有了一个新的复现代码版本——TensorFlow2.0 版，短时间内成为了github上千star项目，欢迎关注。 ...
《动手学深度学习》(PyTorch版)
风口IT猪的成长录
09-16 6432
《动手学深度学习》PyTorch版深度学习简介起源发展成功案例特点小结练习参考文献 深度学习简介 你可能已经接触过编程，并开发过一两款程序。同时你可能读过关于深度学习或者机器学习的铺天盖地的报道，尽管很多时候它们被赋予了更广义的名字：人工智能。 实际上，或者说幸运的是，大部分程序并不需要深度学习或者是更广义上的人工智能技术。例如，如果我们要为一台微波炉编写一个用户界面，只需要一点儿工夫我们便能设计出十几个按钮以及一系列能精确描述微波炉在各种情况下的表现的规则。 再比如，假设我们要编写一个电子邮件客户端。这样
动手学深度学习V2.0(Pytorch)——10.感知机（激活函数）
啷个哩个啷
10-09 434
https://www.bilibili.com/video/BV1hh411U7gn 1. 感知机 本部分内容大部分来自perceptron的Wikipedia：https://en.wikipedia.org/wiki/Perceptron 但是最重要的地方是：整理和讲解清楚!!! 感谢李沐老师！ 早年的感知机，Wikipedia上的图，一个权重就是用一根电线。。。。所以是个占地体积非常庞大的模型。 感知机是人工智能最早的模型 对于给定输入x\textbf xx，x\textbf xx是一个向量，
《动手学深度学习》Pytorch版学习笔记（一）：Task01
qq_30006749的博客
02-14 862
《动手学深度学习》Pytorch版学习笔记（一）：Task01课程背景主修课程1 任务2 线性回归2.1 线性回归的基本要素2.2 线性回归模型从零开始的实现2.3 线性回归模型使用pytorch的简洁实现2.4 两种实现方式的比较3 softmax和分类模型3.1 softmax回归的基本概念3.2 如何获取Fashion-MNIST数据集和读取数据3.3 softmax回归模型的从零开始实现3...
第0章【序】--动手学深度学习【Tensorflow2.0版本】
土豆洋芋山药蛋的博客
12-06 858
项目地址：https://github.com/TrickyGo/Dive-into-DL-TensorFlow2.0 这个项目将《动手学深度学习》 原书中MXNet代码实现改为TensorFlow2.0实现。经过我同学的导师咨询李沐老师，这个项目的实施已得到李沐老师的同意。原书作者：阿斯顿·张、李沐、扎卡里 C. 立顿、亚历山大 J. 斯莫拉以及其他社区贡献者，GitHub地址：https:/...
Python轴承故障诊断 (15)基于CNN-Transformer的一维故障信号识别模型
10-28 947
本文基于凯斯西储大学（CWRU）轴承数据，先经过数据预处理进行数据集的制作和加载，最后通过Pytorch实现CNN-Transformer模型对故障数据的分类。
《常用深度学习神经网络及其原理与应用场景》
最新发布
m0_44975814的博客
11-02 790
*常见损失函数**：损失函数用于衡量模型的预测结果与真实标签之间的差异。对于分类任务，常用的损失函数有交叉熵损失函数和对数似然损失函数等；对于回归任务，常用的损失函数有均方误差损失函数和平均绝对误差损失函数等。**自定义损失函数**：在某些情况下，可能需要根据具体的任务需求自定义损失函数。例如，在图像分割任务中，可以定义一个基于像素级别的损失函数以更好地衡量模型对图像的分割效果。
基于 GADF+Swin-CNN-GAM 的高创新扰动信号识别模型！
10-30 690
基于格拉姆矩阵GADF+Swin Transformer窗口注意力和CNN-GAM全局注意力的电能质量扰动信号识别模型!
Python 使用 LSTM 进行情感分析：处理文本序列数据的指南
chusheng1840的博客
10-29 1288
LSTM（Long Short-Term Memory）是一种特殊的循环神经网络（RNN），其结构设计使其能够“记住”较长的序列信息。传统 RNN 在处理长序列数据时容易出现“梯度消失”或“梯度爆炸”的问题，而 LSTM 引入了“遗忘门”、“输入门”和“输出门”结构，使其能够在较长的时间跨度内保持记忆。情感分析是一种自然语言处理（NLP）技术，用于分析文本中表达的情绪。通过情感分析，我们可以将一段文本标记为正面、负面或中性等类别。
引入了窥视孔连接（peephole connections）的LSTM
m0_73640344的博客
10-29 554
通过引入窥视孔连接，LSTM能够更加精确地控制信息流，因为每个门都可以根据细胞状态的即时值进行调整。这种设计不仅增强了模型的性能，尤其是在需要精细控制内部状态记忆的应用中，如复杂的序列预测和模式识别任务，也提高了决策过程的透明度和直观性。
李沐动手学深度学习配套：pytorch代码解析
李沐博士在深度学习和自然语言处理领域有着广泛的研究，如果此处提及的李沐正是李沐博士，那么他所著或主导的“动手学深度学习配套”资源想必对初学者非常友好，因为它将理论与实践紧密结合，并且着重于动手实践来...
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