- 博客(5)
- 收藏
- 关注
RSS订阅原创 深度学习进阶：循环神经网络的魔力
其中，x_t是当前时刻的输入，h_(t-1)是前一时刻的隐藏状态，C_(t-1)是前一时刻的记忆单元状态，f_t、i_t、o_t是遗忘门、输入门、输出门的激活值，C_t是当前时刻的记忆单元状态，h_t是当前时刻的隐藏状态，W_f、W_i、W_o、W_C是权重矩阵，b_f、b_i、b_o、b_C是偏置项。其中，x_t是当前时刻的输入，h_(t-1)是前一时刻的隐藏状态，h_t是当前时刻的隐藏状态，y_t是当前时刻的输出，W_xh、W_hh、W_hy是权重矩阵，b_h、b_y是偏置项，f是激活函数。
2023-05-31 22:52:52
126
原创 深入理解卷积神经网络：深度学习的视觉巨人
就像一个成功的电影需要一个出色的导演和一群才华横溢的演员，一个高效的神经网络也需要反向传播和梯度下降的协同工作。首先，我们需要定义我们的神经网络。我们可以通过计算损失函数的梯度，找到下降最快的方向，然后按照这个方向调整权重和偏置。在反向传播中，我们将这个误差反向传递回神经网络，通过计算每一层神经元的梯度，来调整每一层的权重和偏置。这个公式告诉我们，我们应该按照损失函数的梯度的反方向调整权重，以达到最小化损失函数的目的。在这一部分，我们将通过一个简单的例子，来展示如何在Python中实现反向传播和梯度下降。
2023-05-31 22:52:18
90
1
原创 深入理解卷积神经网络：深度学习的视觉巨人
卷积神经网络（Convolutional Neural Networks，简称CNN）是一种特殊的神经网络，它在图像处理和计算机视觉领域有着广泛的应用。CNN的特点是它可以自动地学习到输入数据的局部特征，这使得它在处理图像等具有空间结构的数据时，能够表现出优越的性能。CNN的名称来源于它的核心操作——卷积。卷积是一种数学运算，它可以用来计算两个函数的重叠部分的积分。在CNN中，我们使用卷积来计算输入数据和一组特殊的参数（称为卷积核或滤波器）之间的相似度。
2023-05-31 22:51:42
471
1
原创 神经网络基础：深度学习的核心
神经网络是深度学习的基础，它的灵感来源于人脑的神经元结构。你可以把神经网络想象成一个巨大的工厂，这个工厂有许多不同的部门，每个部门都有许多工人。这些工人就像神经元一样，他们各司其职，共同完成一项复杂的任务。在神经网络中，我们有输入层，隐藏层和输出层。输入层接收原始数据，比如图片的像素值或者文本的单词。隐藏层负责处理这些数据，提取有用的特征。输出层则根据这些特征做出预测，比如分类或者回归。神经网络的一个关键概念是权重。权重就像是工人的技能一样，它决定了神经元如何处理输入数据。
2023-05-31 22:44:19
267
1
原创 深度学习简介：探索人工智能的新前沿
深度学习是机器学习的一个子领域，它试图模仿人脑的工作方式，通过训练大量的数据，使计算机能够自我学习和理解世界。深度学习的核心是神经网络，特别是那些有很多隐藏层的神经网络，这也是“深度”一词的由来。深度学习的基本单元是神经元，它模仿了人脑中神经元的工作方式。每个神经元接收输入，对其进行处理，然后产生输出。在深度学习中，我们将这些神经元组织成多层的网络，每一层的输出都是下一层的输入。深度学习的一个关键特性是它可以自动从数据中学习特征，这是它与传统机器学习的主要区别。
2023-05-31 22:43:25
312
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