morse_zihao-CSDN博客

原创【深度学习基础】线性神经网络 _ softmax回归

举一个极端的例子，假如数据流中的每个数据完全相同，这会是一个非常无聊的数据流。例如，在分类器输出0.5的所有样本中，我们希望这些样本是刚好有一半实际上属于预测的类别。在我们的例子中，由于我们有4个特征和3个可能的输出类别，我们将需要12个标量来表示权重（带下标的。然而，顾名思义，全连接层是“完全”连接的，可能有很多可学习的参数。在我们的例子中，标签。为了估计所有可能类别的条件概率，我们需要一个有多个输出的模型，每个类别对应一个输出。当我们赋予一个事件较低的概率时，我们的惊异会更大，该事件的信息量也就更大。

2025-02-21 09:41:57 1020 1

原创多层感知机 | 实战Kaggle比赛：预测房价

例如，如果我们在俄亥俄州农村地区估计一栋房子的价格时，假设我们的预测偏差了10万美元，然而那里一栋典型的房子的价值是12.5万美元，那么模型可能做得很糟糕。另一方面，如果我们在加州豪宅区的预测出现同样的10万美元的偏差，（在那里，房价中位数超过400万美元）这可能是一个不错的预测。，它可以将数据集名称的字符串映射到数据集相关的二元组上，这个二元组包含数据集的url和验证文件完整性的sha-1密钥。接下来，如图3中所示，我们可以提交预测到Kaggle上，并查看在测试集上的预测与实际房价（标签）的比较情况。

2025-02-16 20:03:05 1191 2

原创深度学习计算 | 层和块

要想直观地了解块是如何工作的，最简单的方法就是自己实现一个。在实现我们自定义块之前，我们简要总结一下每个块必须提供的基本功能。将输入数据作为其前向传播函数的参数。通过前向传播函数来生成输出。请注意，输出的形状可能与输入的形状不同。例如，我们上面模型中的第一个全连接的层接收一个20维的输入，但是返回一个维度为256的输出。计算其输出关于输入的梯度，可通过其反向传播函数进行访问。通常这是自动发生的。存储和访问前向传播计算所需的参数。根据需要初始化模型参数。

2025-02-16 19:53:09 1143 1