CS231n-第6讲笔记

最新推荐文章于 2024-06-14 01:24:18 发布
最新推荐文章于 2024-06-14 01:24:18 发布
阅读量551 收藏
点赞数
分类专栏： deep-learning 文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/mmm000mm/article/details/62422039
版权

1、权值计算

这里写图片描述
　　　　　　　　 Yi = 2

2、hinge loss（SVM）& cross-entropy loss(Softmax)

(1) hinge loss (svm)

这里写图片描述
L = max(0, 9 - 35 + 1) + max(0, 10 - 35 + 1) = -25 - 24 = -49

(2) cross_entropy loss(Softmax)

这里写图片描述

这里写图片描述

这里写图片描述

mmm000mm
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
超详细斯坦福CS231n课程笔记（第六课）——训练神经网络（上）
ABC__xiaoming的博客
07-10 580
训练神经网络（上） 这一章中将讨论训练神经网络的一些细节问题，包括： 刚开始要如何建立起神经网络； 要选择什么样的激活函数； 如何做数据的预处理，权重初始化、正则化和梯度检查； 讨论训练中的动态变化、训练监控过程、超参数优化； 讨论模型评估和模型集成。 1. 激活函数 激活函数的用途？ 如果不用激励函数（其实相当于激励函数是f(x) = x），在这种情况下你每一层节点的输入都是上层输出的线性函数，很容易验证，无论你神经网络有多少层，输出都是输入的线性组合，与没有隐藏层效果相当，这种情况就是最原始的感
【2017CS231n】第六讲：训练神经网络（上）
poulang5786的博客
06-05 1114
一.激活函数二.数据预处理三.网络权值初始化四.批量归一化五.监督训练过程六.优化超参数
小甲鱼Python3学习笔记之第六讲(仅记录学习)
huashu2017的博客
06-04 1025
第六讲：python之常用操作符 一、知识点： 0.算术运算符：+，-，*，/，%（取模，即求余数），**（幂运算），//（地板除法，取整除，返回商的整数部分） 备注：①双斜杠 // 除法总是向下取整。             ②从符点数到整数的转换可能会舍入也可能截断，建议使用math.floor()和math.ceil()明确定义的转换 1.比较运算符： 运算符 描述 ...
CSDN－Markdown用法简述
mmm000mm的博客
02-19 467
CSDN－Markdown用法简述本Markdown编辑器使用StackEdit修改而来，用它写博客，将会带来全新的体验哦：- **Markdown和扩展Markdown简洁的语法** -**图片链接和图片上传** - ***LaTex*数学公式** - **UML序列图和流程图** - **离线写博客** - **导入导出Markdown文件** - **丰富的快捷键** 效果展示：
Excel中批量插入图片并对齐
热门推荐
mmm000mm的博客
03-16 1万+
1、插入–>图片2、多选图片（Ctrl + 单击/ Ctrl + A/ shift + 单击）插入Excel3、将第一张图像和最后一张图像放到固定位置上4、Ctrl +A 全选图像 –> Ctrl +G ，选取定位条件 “对象”5、页面布局–>对齐–>左对齐 + 纵向分布6、效果展示
cs231n-2018-Assignment3
03-03
spring1718-Assignment3 --cs231n's the newest source code and learning source
CS231n-全连接神经网络笔记
07-28
主要是全连接网络部分，由官网英文笔记进行修改、翻译，供大家免费下载，有不足的地方可以私信或者评论改正
CS231N-演讲笔记：我对Andrej Karpathy的CS231N的演讲笔记
02-04
cs231n-演讲笔记 我的Andrej Karpathy的CS231N和作业解决方案的讲义。 笔记 :notebook: 第1课只是介绍，所以我在那里没有做任何记录 解决方案 :microscope: 作业1 完成 DONE 完成 完成 完成 作业2 进展
cs231n-Assignment-2 python.
12-27
CS231n的Assignment, 用Python3.6.3写的，大家可以参考一下，
CS231n-2017：完成了斯坦福大学的CS231n 2017Spring作业
02-06
CS231n-2017年Spring这些是我对斯坦福大学的CS231n 2017年Spring课程的解决方案。 我完成了所有作业，以提高自己的Python技能以及对深度学习的理解。已完成作业1 作业2（PyTorch和Tensorflow） 作业3（PyTorch和...
cs224n 笔记6 依存分析
li_dongchao的博客
12-03 737
前言 此篇博客是cs224n的第六讲的课程笔记，主要对依存分析进行了讲解，用于备忘。 文章目录前言两种语法结构工具上下文无关文法依存句法结构歧义标注数据库依存句法分析依存句法可用信息依存句法分析条件依存句法分析方法Arc-standard transition-based parser神经网络依存句法分析器依存分析的评估问题及解决为什么需要非线性 两种语法结构工具 上下文无关文法 描述句子结构有两...
convolution_neural_network
mmm000mm的博客
03-30 404
# -*- coding:utf-8 -*- import argparse import datetime import sys import tensorflow as tfimport input_dataIMAGE_WIDTH = 60 IMAGE_HEIGHT = 100 IMAGE_SIZE = IMAGE_WIDTH * IMAGE_HEIGHT LABEL_SIZE = 10 #
cs231n笔记总结
panxiaoxie的博客
03-15 2689
cs231n的课程以及作业都完成的差不多了，后续的课程更多的涉及到卷积神经网络的各个子方向了，比如语义分割、目标检测、定位、可视化、迁移学习、模型压缩等等。assignment3有涉及到这些中的一部分，但需要深入了解的话还是得看论文了。所以在看论文前把之前已学的知识，笔记和作业代码一起做个整理。 博客里主要是自己在这个过程中做的笔记，其中很多直接贴的知乎上的翻译版note，作业放在github上...
基于深度学习从2D图像中恢复3D图形
最新发布
weixin_42605076的博客
06-14 494
基于深度学习从二维图像中恢复三维图形，通过构建和训练复杂的神经网络模型，能够有效地从二维图像中提取深度信息和三维结构。尽管面临信息不足、遮挡和视角变化等挑战，但随着深度学习技术的不断进步，三维重建在多个领域展现出了广阔的应用前景。通过数据增强和预处理技术，可以进一步提升三维重建模型的鲁棒性和准确性。
tensorRT 自定义算子plugin的实现
@bangbang的博客
06-09 339
实现一个自定义算子, 对输入的x， 先加一个数r,再乘以simport os自定义算子需要实现2个类，分别是算子的实现类, 以及利用实现类构建的算子类是自定义算子的实现类,通过继承父类的方式实现导出自定义算子。继承该父类后需要用户自己实现forward以及symbolic两个静态方法。forward函数: 定义该算子实现的具体代码，其中第一个参数必须是ctx, 后面的参数是实际自己传入的参数。symbolic方法: 由于是自定义的算子，因此需要定义符号函数symbolic，从而让onnx能识别它。
多模态AI的挑战与早期壁垒的构建
AI从业者的专栏
06-11 860
多模态AI作为人工智能领域的重要分支，具有广阔的发展前景和应用潜力。然而，在推动其发展的同时，我们也必须关注并解决其中的难点和挑战，特别是隐私保护和伦理问题。展望未来，我们既期待多模态AI能够在更多领域得到应用，为人类带来更多的便利和福祉，也需要保持对新技术发展的审慎态度，确保AI技术的发展符合社会伦理和道德标准，为人类社会的可持续发展做出贡献。这个过程也需要相关企业和研究机构能够加强合作，共同推动多模态AI技术的发展和应用。
【网络安全】【深度学习】【入侵检测】SDN模拟网络入侵攻击并检测，实时检测，深度学习【二】
q742971636的博客
06-12 273
以通过 Alt+F2 然后输入 xterm 尝试打开xterm。这之后就可以用Ctrl+Alt+T打开新终端了。在之前的代码中，已经捕获到攻击流量并打印。
16.5 DarLoc:基于深度学习和数据特征增强的鲁棒室内磁定位
weixin_42963026的博客
06-12 213
在长达14个月的时间里，研究人员对189名志愿者使用4种不同的移动设备和多种移动速度进行了广泛的实验，以评估DarLoc的性能。由于地磁场的普遍性，基于磁场的室内定位方法受到了广泛的关注，并且不需要额外的基础设施。为了解决这个问题，本文。，提出了新颖的数据增强和特征增强方法来提取速度信息的特征，从而解决了不同移动速度带来的多尺度序列问题；，采用方向不敏感的磁信号提取方法去除序列中的直流分量，以消除不同保持姿态和不同移动设备带来的影响；提出了一种新的基于深度学习和数据特征增强的磁性定位框架(DarLoc)
cs231n svm
09-26
SVM，即支持向量机(Support Vector Machine)，是一种常用的机器学习算法，用于分类和回归任务。在图像分类中，SVM被广泛应用。 SVM的基本原理是通过在特征空间中找到一个最优的超平面，将不同类别的样本分开。这个超平面被选择为能最大化不同类别之间的间隔，并且能最小化分类错误。支持向量是离超平面最近的样本点，它们对于定义超平面起到关键作用。 在CS231n课程中，SVM模型的实现是基于将图像特征向量化，然后将这些特征向量输入到SVM模型中进行训练和分类。具体来说，SVM模型通过使用一个损失函数来最小化分类错误，并通过添加正则化项来控制模型的复杂度。 通过CS231n课程的学习，你可以深入了解SVM模型的原理和实现方法，以及在图像分类任务中的应用。如果你对SVM模型还有其他问题，我会很乐意回答。

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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