- 博客(8)
- 收藏
- 关注
RSS订阅原创 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