- 博客(16)
- 收藏
- 关注
RSS订阅原创 吴恩达深度学习L2W3作业
欢迎来到本周的编程作业。到目前为止，你一直使用numpy来构建神经网络。现在，我们将引导你使用深度学习框架，该框架将使你可以更轻松地构建神经网络。TensorFlow，PaddlePaddle，Torch，Caffe，Keras等机器学习框架可以极大地加快你的机器学习开发速度。所有这些框架也都有很多文档，你应该随时阅读学习。编程框架不仅可以缩短编码时间，而且有时还可以进行优化以加快代码速度。
2023-12-07 22:16:07
1091
原创 吴恩达深度学习L2W2作业
优化方法准确度模型损失79.70％振荡Momentum79.70％振荡Adam94％更光滑冲量通常会有所帮助，但是鉴于学习率低和数据集过于简单，其影响几乎可以忽略不计。同样，你看到损失的巨大波动是因为对于优化算法，某些小批处理比其他小批处理更为困难。另一方面，Adam明显胜过小批次梯度下降和冲量。如果你在此简单数据集上运行更多epoch，则这三种方法都将产生非常好的结果。但是，Adam收敛得更快。相对较低的内存要求（尽管高于梯度下降和带冲量的梯度下降）
2023-12-07 19:56:56
941
原创 吴恩达深度学习L2W1作业3
欢迎来到本周的最后作业！在本作业中，你将学习实现和使用梯度检验。假设你是致力于在全球范围内提供移动支付的团队的一员，被上级要求建立深度学习模型来检测欺诈行为--每当有人进行支付时，你都应该确认该支付是否可能是欺诈性的，例如用户的帐户已被黑客入侵。但是模型的反向传播很难实现，有时还会有错误。因为这是关键的应用任务，所以你公司的CEO要反复确定反向传播的实现是正确的。CEO要求你证明你的反向传播实际上是有效的！为了保证这一点，你将应用到“梯度检验”。让我们开始做吧！
2023-12-07 11:47:34
878
原创 吴恩达深度学习L2W1作业2
欢迎来到本周的第二次作业。深度学习模型具有很高的灵活性和能力，如果训练数据集不够大，。尽管它在训练集上效果很好，但是学到的网络在深度学习模型中使用正则化。首先导入要使用的包。：你刚刚被法国足球公司聘为AI专家。他们希望你推荐预测法国守门员将球踢出的位置，以便法国队的球员可以用头将球击中。守门员将球踢到空中，每支球队的球员都在尽力用头击球他们为你提供了法国过去10场比赛的二维数据集。数据中每个点对应于足球场上的位置，在该位置上，法国守门员从足球场左侧射出球后，足球运动员用他/她的头部击中了球。
2023-12-06 21:37:47
1059
3
原创 吴恩达深度学习L2W1作业1
我们已经学习了三种不同类型的初始化方法。Model测试准确率评价零初始化的3层NN50％未能打破对称性随机初始化的3层NN83％权重太大He初始化的3层NN99％推荐方法此作业中应记住的内容不同的初始化会导致不同的结果随机初始化用于打破对称性，并确保不同的隐藏单元可以学习不同的东西不要初始化为太大的值初始化对于带有ReLU激活的网络非常有效。
2023-12-06 19:55:51
886
5
原创 吴恩达深度学习L1W4作业2
完成此作业后，你将完成第4周最后的编程任务，也是本课程最后的编程任务！你将使用在上一个作业中实现的函数来构建深层网络，并将其应用于分类cat图像和非cat图像。希望你会看到相对于先前的逻辑回归实现的分类，准确性有所提高。让我们开始吧！
2023-12-06 17:39:20
877
1
原创 吴恩达深度学习L1W4作业1
然后，在反向传导模块中，你将使用缓存的值来计算梯度。这些辅助函数将在下一个作业中使用，用来构建一个两层神经网络和一个L层的神经网络。你将实现的每个函数都有详细的说明，这些说明将指导你完成必要的步骤。输入到你实现的LINEAR-> SIGMOID反向函数中（它将使用L_model_forward函数存储的缓存值）。函数时，在每次迭代中，你都存储了一个包含（X，W，b和z）的缓存。在每个步骤中，你都将使用l层的缓存值反向传播到层l。在反向传播的每个步骤中，你都将当前梯度乘以对应层的梯度，以获得所需的梯度。
2023-12-05 20:51:17
1273
原创 吴恩达深度学习L1W3作业
练习：定义三个变量：- n_x：输入层的大小- n_h：隐藏层的大小（将其设置为4）- n_y：输出层的大小提示：使用shape来找到n_x和n_y。另外，将隐藏层大小硬编码为4。
2023-12-05 14:36:38
1074
原创 吴恩达深度学习L1W2作业2
问题说明标记为cat（y = 1）或非cat（y = 0）的m_train训练图像集标记为cat或non-cat的m_test测试图像集图像维度为（num_px，num_px，3），其中3表示3个通道（RGB）。因此，每个图像都是正方形（高度= num_px）和（宽度= num_px）。你将构建一个简单的图像识别算法，该算法可以将图片正确分类为猫和非猫。让我们熟悉一下数据集吧， 首先通过运行以下代码来加载数据。: 训练集的原始图像数据。每一行是代表一个图像的数组。
2023-12-04 22:18:25
834
原创 吴恩达深度学习L1W2作业1
鉴于x_norm采用x的每一行的范数，这是正常的。但是，当你读取图像作为算法的输入时，会将其转换为维度为(length*height*3,1)的向量。-如果你在上方输出 x_exp，x_sum和s的维度并重新运行练习单元，则会看到x_sum的纬度为（2,1），而x_exp和s的维度为（2,5）。在本练习中，你将学习一些关键的numpy函数，例如np.exp，np.log和np.reshape。如果x是向量，则s=x+3或s=1/x之类的Python运算将输出与x维度大小相同的向量s。有时也称为逻辑函数。
2023-12-04 19:47:23
841
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