- 博客(4)
- 收藏
- 关注
RSS订阅原创 简单线性回归代码实战（李哥lesson2）
由于很多时候数据集是非常之大的，所以每次训练时，只取数据集中的一部分可以很好的节省算力资源，也能达到更好的效果，训练网络时，一般一次只取一个batchsize大小的数据进行训练。第四步：搞定y的预测值计算函数，搞定Loss函数和反向传播（也就是从后往前计算每个参数的梯度，又名梯度回传），搞定梯度下降。在前两篇文章中我们了解了神经网络工作的方式，现在是时候将理论落到实处了。上图是我们今天想要实现的网络模型，输入输出全部采用随机生成。第五步：万事俱备，开始写训练操作。第二步：创建训练用的数据。
2025-01-20 15:01:41
509
原创 由单个神经元到神经网络，简单全连接神经网络工作解析（李哥 lesson1）
很简单，让直线“变软”就行了，这就是激活函数干的事情：让直线“变软”使其能过拟合非线性函数，在每个神经元得出结果后，将在这个结果输入激活函数，然后再把他传到下一层神经元。前面两部分其实就是神经网络前向传播的全过程，接下来我们来研究神经网络中的optimization，也就是反向传播与梯度下降。在上个文章我们知道了单个神经元的具体架构，这次我们将从单个神经元出发，探寻简单全连接神经网络的工作过程。的运算结果其实和一个神经元的情况下似乎没有差别，其实用大白话来讲就是无论多少根直线加在一起，结果还是直线。
2025-01-18 14:56:25
892
原创 三种机器学习方法 与 深度学习基础的概观 和 神经元的简要介绍（李哥 lesson 0）
（假设本神经元模型为（y1=wx+b））神经元的作用就是根据给定的y和x，用神经元模型算出预测值y1（y1 = wx+b），再通过损失函数算出Loss(其实就是预测值y1与y的差距)，然后梯度下降优化w和b的值（对损失函数求w和b的偏导，然后用初始的w/b-学习率*w/b的偏导。神经网络就是由一个个神经元构成的，每一个神经元都是一个小函数，所有小函数一起构成了神经网络，也就是最终的大函数，那个可以得到F（x） = y的函数。可以理解为此类算法所使用的数据都是经过人为标签过的（“label”）。
2025-01-17 16:46:48
388
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