动手学深度学习2.3线性代数练习

矩阵转置常用知识点

3. 给定任意方阵A,A + A⊤总是对称的吗?为什么?

4. 本节中定义了形状(2; 3; 4)的张量X。len(X)的输出结果是什么?

 返回的是axis = 0的值的大小

5、对于任意形状的张量X,len(X)是否总是对应于X特定轴的⻓度?这个轴是什么?

 

实验可知对应轴axis = 0

6. 运行A/A.sum(axis=1),看看会发生什么。请分析一下原因?

 

 直接求和会使A降维,不同维度的矩阵之间是不能相乘除的,如果加上keepdims = True就没问题

 

 7. 考虑一个具有形状(2; 3; 4)的张量,在轴0、1、2上的求和输出是什么形状?

相应求和维度消失

 8. 为linalg.norm函数提供3个或更多轴的张量,并观察其输出。对于任意形状的张量这个函数计算得到 什么?

 ord = 1是求L1范数,这里是为了便于演示

 dim = 0的L1就是求dim = 0的和,其余同理

 

 

  • 2
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
动手深度学习LSTM练习答案 LSTM(长短期记忆网络)是一种用于处理时序数据的循环神经网络(RNN)的变种。它具有记忆单元和门控机制,能够有效地捕捉长期依赖关系。 以下是动手深度学习LSTM练习的答案: 1. 导入所需的库和模块: import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense 2. 准备训练数据: X_train = ... y_train = ... 3. 构建LSTM模型: model = Sequential() model.add(LSTM(units=128, input_shape=(X_train.shape[1], X_train.shape[2]))) model.add(Dense(units=1)) 4. 编译模型: model.compile(loss='mean_squared_error', optimizer='adam') 5. 训练模型: model.fit(X_train, y_train, epochs=10, batch_size=32) 6. 使用模型进行预测: y_pred = model.predict(X_test) 7. 评估模型性能: loss = model.evaluate(X_test, y_test) 以上是一个简单的LSTM模型的训练和预测流程。具体练习的数据和模型结构可能有所不同,可以根据实际需要进行调整和修改。 需要注意的是,在训练LSTM模型时,数据的维度要符合模型的输入要求。一般来说,输入数据的形状应为 [样本数, 时间步长, 特征维度],对应于三维的张量。同时,根据具体问题,可以选择合适的激活函数、优化算法和损失函数。 通过动手实践,我们可以更好地理解和掌握深度学习中LSTM模型的使用方法,并根据实际问题进行调整和优化。希望以上答案能够对您有所帮助。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值