- 博客(8)
- 收藏
- 关注
RSS订阅原创 第七节：Bert实战-文字序列分类任务
现有一个酒店相关的数据集jiudian.txt，内容大致如下图。1表示好评，0表示差评。现有训练集和测试集，要区分测试集中评价的好坏。包含文件如下：bert-base-chinese:bert模型的一种，是Bert模型针对中文的一个版本，有十二个编码器层。model_save:模型内容保存地址。model_utils:将数据，模型和训练的方法包装在一个文件夹中，调用方便，main函数精简。jiudian.txt:数据集文本。
2024-01-31 09:42:10
404
原创 第五节：食物分类实战
有11类食物，以图片形式存放在指定路径。其中有带标签的数据，也有不带标签的数据。现在要让计算机识别图片并为其归类。可见，自己训练的模型只有0.1左右的准确率，要想提高精确度，还需要借助久经校验的模型与更多的数据。对于上述的数据，有超过一半是无标签的，而我们要想获得准确的。通过固定随机种子，保证代码可重复性。
2024-01-23 11:01:27
440
1
原创 第四节：图像分类任务
图像应该是一个三维矩阵张量，分别由长度宽度和深度，其中深度代表色彩通道，比如黑白图片的深度为1，而在RGB色彩模式下，图像的深度为3。对于6*6->4*4的图，这套卷积核大小为3*3*3.又因为最终得到的特征图为1*4*4卷积核只有一个，所以参数量为1*3*3*3=27。如下图，对于四个数据，我们只选择其中一个最大值，2*4*4的特征图大小变为了2*2*2。padding=2则特征图应该扩展为228*228，228*228的特征图可以容纳5*5的卷积核一共224个，所以特征图为224*224。
2024-01-21 16:02:26
1483
1
原创 第三节：基础的回归实战-新冠感染人数预测
例如y为32*1的张量，每一个数据都包含了一个[]，形如:[[1], [2], [3], [4], ......, [32]]。squeeze(1)表示去掉一维，最后得到的结果为[1, 2, 3, 4, ..., 32]数据类包含三个函数：__init__()、__getitem__()、__len__()。现在有前两天的情况，要求估计第三天的情况。__init__()函数中定义了神经网络的方法、激活函数与参数等内容。b.模型类(Model)：模型类定义了神经网络框架模型，并引入激活函数，构建全连接网络。
2024-01-19 11:13:44
477
原创 第二节：神经网络基础代码
torch.normal是按照正态分布生成的随机数，其参数为(EX, DX, (row, col))，如上述代码，生成一个按照均值为0， 方差为1的标准正态分布生成一个随机的data_num*len(w)的矩阵。如上例，每调用一次data_provider，就返回两个数据，这两个数据是继承之前结果的：第一次调用返回内容对应的下标为0-15，第二次则为16-31，以此类推。初始化w_0, b_0，w_0为一个服从正态分布的向量，b_0为一个数值。最后，对处理前后的值打印并比较，打印结果如下。
2024-01-18 19:24:53
1254
1
原创 第一节：深度神经网络
神经元类似人的大脑神经，对于一个事件人会从不同角度分析，并且每个角度都有各自的权重。深度神经网络中的神经元也是类似wij代表xj在第i个神经元上的权重，b表示该神经元的偏置值。称为前向过程，而经过前向过程后，需要使用第0节中涉及到的梯度下降算法(Gradient Descent)进行梯度回传，也叫反向传播过程。对每一个公式中的参数分别求偏导，以w为例，w不断减去学习率与偏导数的积使其尽可能达到取得梯度的点。其中，b为本层偏置值，ci(i=1, 2, 3)为ri(i=1, 2, 3)对应的权重。
2024-01-14 11:00:09
344
原创 第零节：机器学习与深度学习
为使得w不断趋向于0，每次让w减去学习率与L关于w的偏导的乘积，b同理。最终找到w，b为0的点。不宜过小，时间过长，关于学习率的取值可以参考论文。给定两个列表如x_data=[1.0, 2.0, 3.0],y_data=[2.0, 3.0, 4.0]。MSE应当尽可能小，不断手动调整权重w(w的步长应适当)以找寻最符合的w与b。输出:回归（填空）/分类（选择）/结构化输出（简答）w*,b*为让L最小的w与b，此处L即指均方误差。其中，w为权重（weight），b为偏置值。输入：向量/矩阵（图片）/序列。
2024-01-13 09:06:16
378
1
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