笔记
文章平均质量分 54
m0_56450064
这个作者很懒,什么都没留下…
展开
-
PyTotch深度学习笔记第三次
七、处理多维特征的输入回归与分类的区别:回归y属于R,分类y属于离散集合。数据集(分类):每一行在机器学习中叫Sample(样本),在数据库中叫Record(记录);每一列在机器学习中叫feature(特征),在数据库中叫字段。将方程运算转化为矩阵运算,再转化为向量运算,之后可以利用并行计算能力(CPU并行或GPU并行)提升运算速度。矩阵:空间变换的函数。神经网络本质:寻找非线性空间变换函数。变换的维度和层数决定了网络的复杂程度。学习能力过强会把输入样本中的噪声规律学到,但噪声不需要,原创 2021-04-16 00:42:07 · 135 阅读 · 0 评论 -
Pytorch深度学习笔记第二次
四、反向传播反向传播:神经网络中重要算法,可以在图上面进行梯度传播,可帮助建立更具弹性的模型结构。单个样本:ω=ω-α ∂loss / ∂ω两层神经网络:计算过程:先前馈求出损失,后反馈求出梯度,最后用梯度下降更新权重。(先算损失,再反向传播)五、用Pytorch实现线性回归构造神经网络构造损失函数构造随机梯度下降优化器内容:利用PyTorch提供的工具重现线性模型的训练过程,更方便的完成线性模型。PyTorch写深度神经网络步骤:1.准备数据集2.设计模型,计算y_hat,而非原创 2021-04-16 00:32:05 · 77 阅读 · 0 评论 -
pytorch深度学习笔记第一次
一、Overviewpytorch深度学习需求:基本线性代数、概率论与数据统计、python编程语言算法设计思维方式:1.穷举法:列出所有方法后找出最符合条件的2.贪心法:选择当前认为最好的方法3.分治法4.动态规划机器学习:数据集(DateSet)→ 算法feature:数据集中的每一个字段维度诅咒:feature越多,对整个样本需求越多,所需资金越多为了避免维度诅咒,通常将高维降成低维,方法:线性映射(通过线性代数)和非线性映射反向传播算法是神经网络重要算法,核心是计算图二、线性原创 2021-03-28 18:13:36 · 89 阅读 · 0 评论