- 博客(8)
- 收藏
- 关注
原创 识别手写数字(0-9)的深度学习模型
使用测试数据对模型进行评估,计算了模型在测试集上的损失值,并绘制了损失随epoch变化的曲线。此外,还使用模型对测试集进行了预测,并打印了前10个样本的预测标签和真实标签,以便比较模型的性能。例如,数字5将被转换为[0, 0, 0, 0, 0, 1, 0, 0, 0, 0]。层)组成,每个层都使用了ReLU激活函数(除了输出层使用了softmax激活函数)。:配置了模型的训练过程,包括优化器(这里使用了Adam优化器)、损失函数(这里使用了分类交叉熵损失函数。mnist.npz已经放入个人主页资源。
2024-06-12 18:10:00 377
原创 全连接神经网络练习
我们首先设定epoch=10,损失函数未收敛。学习次数不够,继续增加,下面我们增加到150。epoch=150时,损失函数明显收敛,学习次数足够。epoch=150,准确率为0.9875,模型较佳。epoch=150,准确率为0.77,模型较好。3.换优化器为随机梯度下降(SGD)模型的准确率为0.97,模型较好。2.三分类(0、1、2)1.二分类(0、1)
2024-06-12 11:12:26 261
原创 tensorflow 2024.6.7
当前损失为: 0.0064622904 求得的w为: [[0.48203725]]当前损失为: 0.0051496117 求得的w为: [[0.48396507]]当前损失为: 0.0047742343 求得的w为: [[0.48456055]]当前损失为: 0.0044262214 求得的w为: [[0.48513392]]当前损失为: 0.0041035754 求得的w为: [[0.48568597]]当前损失为: 0.053796817 求得的w为: [[0.44817272]]
2024-06-07 19:14:29 965 1
原创 简单线性回归——最小二乘法的实现
noise=np.random.normal(0,2,(1,50)) # 生成一个形状为(1,50)的数组,包含来自正态分布的随机噪声。w=np.sum(y*(x-x_avg))/(np.sum(x*x)-x_avg*np.sum(x)) # 使用最小二乘法公式计算斜率。x=np.linspace(1,20,50) # 生成一个包含50个点的等差数列,从1到20。print(w_real,w) # 打印真实的斜率和估计的斜率。x_avg=np.mean(x) # 计算x的平均值。
2024-05-29 17:29:23 329
原创 机器学习2024.5.27 202101240079
5.验证集(Validation Set)3.训练集(Training set)4.测试集(Test Set)
2024-05-27 17:19:57 329
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人