人工智能作业三

最新推荐文章于 2024-06-12 11:22:03 发布
最新推荐文章于 2024-06-12 11:22:03 发布
阅读量76 收藏
点赞数 1
文章标签： 人工智能 pytorch 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/mqj010321/article/details/124660669
版权

1.用pytorch实现例题：

import torch
 
x1, x2 = torch.Tensor([0.5]), torch.Tensor([0.3])
y1, y2 = torch.Tensor([0.23]), torch.Tensor([-0.07])
print("=====输入值：x1, x2；真实输出值：y1, y2=====")
print(x1, x2, y1, y2)
w1, w2, w3, w4, w5, w6, w7, w8 = torch.Tensor([0.2]), torch.Tensor([-0.4]), torch.Tensor([0.5]), torch.Tensor(
    [0.6]), torch.Tensor([0.1]), torch.Tensor([-0.5]), torch.Tensor([-0.3]), torch.Tensor([0.8])  # 权重初始值
w1.requires_grad = True
w2.requires_grad = True
w3.requires_grad = True
w4.requires_grad = True
w5.requires_grad = True
w6.requires_grad = True
w7.requires_grad = True
w8.requires_grad = True
 
 
def sigmoid(z):
    a = 1 / (1 + torch.exp(-z))
    return a
 
 
def forward_propagate(x1, x2):
    in_h1 = w1 * x1 + w3 * x2
    out_h1 = sigmoid(in_h1)  # out_h1 = torch.sigmoid(in_h1)
    in_h2 = w2 * x1 + w4 * x2
    out_h2 = sigmoid(in_h2)  # out_h2 = torch.sigmoid(in_h2)
 
    in_o1 = w5 * out_h1 + w7 * out_h2
    out_o1 = sigmoid(in_o1)  # out_o1 = torch.sigmoid(in_o1)
    in_o2 = w6 * out_h1 + w8 * out_h2
    out_o2 = sigmoid(in_o2)  # out_o2 = torch.sigmoid(in_o2)
 
    print("正向计算：o1 ,o2")
    print(out_o1.data, out_o2.data)
 
    return out_o1, out_o2
 
 
def loss_fuction(x1, x2, y1, y2):  # 损失函数
    y1_pred, y2_pred = forward_propagate(x1, x2)  # 前向传播
    loss = (1 / 2) * (y1_pred - y1) ** 2 + (1 / 2) * (y2_pred - y2) ** 2  # 考虑 ： t.nn.MSELoss()
    print("损失函数（均方误差）：", loss.item())
    return loss
 
 
def update_w(w1, w2, w3, w4, w5, w6, w7, w8):
    # 步长
    step = 1
    w1.data = w1.data - step * w1.grad.data
    w2.data = w2.data - step * w2.grad.data
    w3.data = w3.data - step * w3.grad.data
    w4.data = w4.data - step * w4.grad.data
    w5.data = w5.data - step * w5.grad.data
    w6.data = w6.data - step * w6.grad.data
    w7.data = w7.data - step * w7.grad.data
    w8.data = w8.data - step * w8.grad.data
    w1.grad.data.zero_()  # 注意：将w中所有梯度清零
    w2.grad.data.zero_()
    w3.grad.data.zero_()
    w4.grad.data.zero_()
    w5.grad.data.zero_()
    w6.grad.data.zero_()
    w7.grad.data.zero_()
    w8.grad.data.zero_()
    return w1, w2, w3, w4, w5, w6, w7, w8
 
 
if __name__ == "__main__":
 
    print("=====更新前的权值=====")
    print(w1.data, w2.data, w3.data, w4.data, w5.data, w6.data, w7.data, w8.data)
 
    for i in range(11):
        print("=====第" + str(i) + "轮=====")
        L = loss_fuction(x1, x2, y1, y2) # 前向传播，求 Loss，构建计算图
        L.backward()  # 自动求梯度，不需要人工编程实现。反向传播，求出计算图中所有梯度存入w中
        print("\tgrad W: ", round(w1.grad.item(), 2), round(w2.grad.item(), 2), round(w3.grad.item(), 2),
              round(w4.grad.item(), 2), round(w5.grad.item(), 2), round(w6.grad.item(), 2), round(w7.grad.item(), 2),
              round(w8.grad.item(), 2))
        w1, w2, w3, w4, w5, w6, w7, w8 = update_w(w1, w2, w3, w4, w5, w6, w7, w8)
 
    print("更新后的权值")
    print(w1.data, w2.data, w3.data, w4.data, w5.data, w6.data, w7.data, w8.data)

**运行结果：
=输入值：x1, x2；真实输出值：y1, y2=
tensor([0.5000]) tensor([0.3000]) tensor([0.2300]) tensor([-0.0700])
=更新前的权值=
tensor([0.2000]) tensor([-0.4000]) tensor([0.5000]) tensor([0.6000]) tensor([0.1000]) tensor([-0.5000]) tensor([-0.3000]) tensor([0.8000])
=第0轮=
正向计算：o1 ,o2
tensor([0.4769]) tensor([0.5287])
损失函数（均方误差）： 0.2097097933292389
grad W: -0.01 0.01 -0.01 0.01 0.03 0.08 0.03 0.07
=第1轮=
正向计算：o1 ,o2
tensor([0.4685]) tensor([0.5072])
损失函数（均方误差）： 0.19503259658813477
grad W: -0.01 0.01 -0.01 0.01 0.03 0.08 0.03 0.07
=第2轮=
正向计算：o1 ,o2
tensor([0.4604]) tensor([0.4864])
损失函数（均方误差）： 0.1813509315252304
grad W: -0.01 0.01 -0.01 0.01 0.03 0.08 0.03 0.07
=第3轮=
正向计算：o1 ,o2
tensor([0.4526]) tensor([0.4664])
损失函数（均方误差）： 0.16865134239196777
grad W: -0.01 0.01 -0.01 0.0 0.03 0.08 0.03 0.07
=第4轮=
正向计算：o1 ,o2
tensor([0.4451]) tensor([0.4473])
损失函数（均方误差）： 0.15690487623214722
grad W: -0.01 0.01 -0.01 0.0 0.03 0.07 0.03 0.06
=第5轮=
正向计算：o1 ,o2
tensor([0.4378]) tensor([0.4290])
损失函数（均方误差）： 0.14607082307338715
grad W: -0.01 0.0 -0.01 0.0 0.03 0.07 0.02 0.06
=第6轮=
正向计算：o1 ,o2
tensor([0.4307]) tensor([0.4116])
损失函数（均方误差）： 0.1361003816127777
grad W: -0.01 0.0 -0.01 0.0 0.03 0.07 0.02 0.06
=第7轮=
正向计算：o1 ,o2
tensor([0.4239]) tensor([0.3951])
损失函数（均方误差）： 0.1269397884607315
grad W: -0.01 0.0 -0.01 0.0 0.03 0.06 0.02 0.05
=第8轮=
正向计算：o1 ,o2
tensor([0.4173]) tensor([0.3794])
损失函数（均方误差）： 0.11853282898664474
grad W: -0.01 0.0 -0.01 0.0 0.03 0.06 0.02 0.05
=第9轮=
正向计算：o1 ,o2
tensor([0.4109]) tensor([0.3647])
损失函数（均方误差）： 0.11082295328378677
grad W: -0.02 0.0 -0.01 0.0 0.03 0.06 0.02 0.05
=第10轮=
正向计算：o1 ,o2
tensor([0.4047]) tensor([0.3507])
损失函数（均方误差）： 0.10375461727380753
grad W: -0.02 -0.0 -0.01 -0.0 0.02 0.06 0.02 0.05
更新后的权值
tensor([0.3425]) tensor([-0.4540]) tensor([0.5855]) tensor([0.5676]) tensor([-0.2230]) tensor([-1.2686]) tensor([-0.5765]) tensor([0.1418])

Process finished with exit code 0

2.作业二代码程序优化：

import numpy as np
import matplotlib.pyplot as plt


def sigmoid(z):
    a = 1 / (1 + np.exp(-z))
    return a


def forward_propagate(x1, x2, y1, y2, w1, w2, w3, w4, w5, w6, w7, w8):  # 正向传播
    in_h1 = w1 * x1 + w3 * x2
    out_h1 = sigmoid(in_h1)
    in_h2 = w2 * x1 + w4 * x2
    out_h2 = sigmoid(in_h2)

    in_o1 = w5 * out_h1 + w7 * out_h2
    out_o1 = sigmoid(in_o1)
    in_o2 = w6 * out_h1 + w8 * out_h2
    out_o2 = sigmoid(in_o2)

    error = (1 / 2) * (out_o1 - y1) ** 2 + (1 / 2) * (out_o2 - y2) ** 2

    return out_o1, out_o2, out_h1, out_h2, error


def back_propagate(out_o1, out_o2, out_h1, out_h2):  # 反向传播
    d_o1 = out_o1 - y1
    d_o2 = out_o2 - y2

    d_w5 = d_o1 * out_o1 * (1 - out_o1) * out_h1
    d_w7 = d_o1 * out_o1 * (1 - out_o1) * out_h2
    d_w6 = d_o2 * out_o2 * (1 - out_o2) * out_h1
    d_w8 = d_o2 * out_o2 * (1 - out_o2) * out_h2

    d_w1 = (d_w5 + d_w6) * out_h1 * (1 - out_h1) * x1
    d_w3 = (d_w5 + d_w6) * out_h1 * (1 - out_h1) * x2
    d_w2 = (d_w7 + d_w8) * out_h2 * (1 - out_h2) * x1
    d_w4 = (d_w7 + d_w8) * out_h2 * (1 - out_h2) * x2

    return d_w1, d_w2, d_w3, d_w4, d_w5, d_w6, d_w7, d_w8


def update_w(step, w1, w2, w3, w4, w5, w6, w7, w8):  # 梯度下降，更新权值
    w1 = w1 - step * d_w1
    w2 = w2 - step * d_w2
    w3 = w3 - step * d_w3
    w4 = w4 - step * d_w4
    w5 = w5 - step * d_w5
    w6 = w6 - step * d_w6
    w7 = w7 - step * d_w7
    w8 = w8 - step * d_w8
    return w1, w2, w3, w4, w5, w6, w7, w8


if __name__ == "__main__":
    w1, w2, w3, w4, w5, w6, w7, w8 = 0.2, -0.4, 0.5, 0.6, 0.1, -0.5, -0.3, 0.8  # 可以给随机值，为配合PPT，给的指定值
    x1, x2 = 0.5, 0.3  # 输入值
    y1, y2 = 0.23, -0.07  # 正数可以准确收敛；负数不行。why? 因为用sigmoid输出，y1, y2 在 （0,1）范围内。
    N = 10  # 迭代次数
    step = 10  # 步长

    print("输入值：x1, x2；", x1, x2, "输出值：y1, y2:", y1, y2)
    eli = []
    lli = []
    for i in range(N):
        print("=====第" + str(i) + "轮=====")
        # 正向传播
        out_o1, out_o2, out_h1, out_h2, error = forward_propagate(x1, x2, y1, y2, w1, w2, w3, w4, w5, w6, w7, w8)
        print("正向传播:", round(out_o1, 5), round(out_o2, 5))
        print("损失函数：", round(error, 2))
        # 反向传播
        d_w1, d_w2, d_w3, d_w4, d_w5, d_w6, d_w7, d_w8 = back_propagate(out_o1, out_o2, out_h1, out_h2)
        # 梯度下降，更新权值
        w1, w2, w3, w4, w5, w6, w7, w8 = update_w(step, w1, w2, w3, w4, w5, w6, w7, w8)
        eli.append(i)
        lli.append(error)

    plt.plot(eli, lli，color='red')
    plt.ylabel('Loss')
    plt.xlabel('w')
    plt.show()

运行结果：
输入值：x1, x2； 0.5 0.3 输出值：y1, y2: 0.23 -0.07
=第0轮=
正向传播: 0.47695 0.5287
损失函数： 0.21
=第1轮=
正向传播: 0.39688 0.3339
损失函数： 0.1
=第2轮=
正向传播: 0.35292 0.24607
损失函数： 0.06
=第3轮=
正向传播: 0.32545 0.20128
损失函数： 0.04
=第4轮=
正向传播: 0.30671 0.17356
损失函数： 0.03
=第5轮=
正向传播: 0.29314 0.15435
损失函数： 0.03
=第6轮=
正向传播: 0.28291 0.14005
损失函数： 0.02
=第7轮=
正向传播: 0.27495 0.12888
损失函数： 0.02
=第8轮=
正向传播: 0.26861 0.11985
损失函数： 0.02
=第9轮=
正向传播: 0.26348 0.11236
损失函数： 0.02
=第10轮=
正向传播: 0.25925 0.10601
损失函数： 0.02

3.激活函数Sigmoid用PyTorch自带函数torch.sigmoid()

def sigmoid(z):
    a = 1 / (1 + torch.exp(-z))
    return a


def forward_propagate(x1, x2):
    in_h1 = w1 * x1 + w3 * x2
    out_h1 = sigmoid(in_h1)  # out_h1 = torch.sigmoid(in_h1)
    in_h2 = w2 * x1 + w4 * x2
    out_h2 = sigmoid(in_h2)  # out_h2 = torch.sigmoid(in_h2)

    in_o1 = w5 * out_h1 + w7 * out_h2
    out_o1 = sigmoid(in_o1)  # out_o1 = torch.sigmoid(in_o1)
    in_o2 = w6 * out_h1 + w8 * out_h2
    out_o2 = sigmoid(in_o2)  # out_o2 = torch.sigmoid(in_o2)

    print("正向计算：o1 ,o2")
    print(out_o1.data, out_o2.data)

    return out_o1, out_o2

替换后：

def forward_propagate(x1, x2):
    in_h1 = w1 * x1 + w3 * x2
    out_h1 = torch.sigmoid(in_h1)
    in_h2 = w2 * x1 + w4 * x2
    out_h2 = torch.sigmoid(in_h2)

    in_o1 = w5 * out_h1 + w7 * out_h2
    out_o1 = torch.sigmoid(in_o1)
    in_o2 = w6 * out_h1 + w8 * out_h2
    out_o2 = torch.sigmoid(in_o2)

    print("正向计算：o1 ,o2")
    print(out_o1.data, out_o2.data)

    return out_o1, out_o2

运行结果：
=输入值：x1, x2；真实输出值：y1, y2=
tensor([0.5000]) tensor([0.3000]) tensor([0.2300]) tensor([-0.0700])
=更新前的权值=
tensor([0.2000]) tensor([-0.4000]) tensor([0.5000]) tensor([0.6000]) tensor([0.1000]) tensor([-0.5000]) tensor([-0.3000]) tensor([0.8000])
=第0轮=
正向计算：o1 ,o2
tensor([0.4769]) tensor([0.5287])
损失函数（均方误差）： 0.2097097933292389
grad W: -0.01 0.01 -0.01 0.01 0.03 0.08 0.03 0.07
=第1轮=
正向计算：o1 ,o2
tensor([0.4685]) tensor([0.5072])
损失函数（均方误差）： 0.19503259658813477
grad W: -0.01 0.01 -0.01 0.01 0.03 0.08 0.03 0.07
=第2轮=
正向计算：o1 ,o2
tensor([0.4604]) tensor([0.4864])
损失函数（均方误差）： 0.1813509315252304
grad W: -0.01 0.01 -0.01 0.01 0.03 0.08 0.03 0.07
=第3轮=
正向计算：o1 ,o2
tensor([0.4526]) tensor([0.4664])
损失函数（均方误差）： 0.16865134239196777
grad W: -0.01 0.01 -0.01 0.0 0.03 0.08 0.03 0.07
=第4轮=
正向计算：o1 ,o2
tensor([0.4451]) tensor([0.4473])
损失函数（均方误差）： 0.15690487623214722
grad W: -0.01 0.01 -0.01 0.0 0.03 0.07 0.03 0.06
=第5轮=
正向计算：o1 ,o2
tensor([0.4378]) tensor([0.4290])
损失函数（均方误差）： 0.14607082307338715
grad W: -0.01 0.0 -0.01 0.0 0.03 0.07 0.02 0.06
=第6轮=
正向计算：o1 ,o2
tensor([0.4307]) tensor([0.4116])
损失函数（均方误差）： 0.1361003816127777
grad W: -0.01 0.0 -0.01 0.0 0.03 0.07 0.02 0.06
=第7轮=
正向计算：o1 ,o2
tensor([0.4239]) tensor([0.3951])
损失函数（均方误差）： 0.1269397884607315
grad W: -0.01 0.0 -0.01 0.0 0.03 0.06 0.02 0.05
=第8轮=
正向计算：o1 ,o2
tensor([0.4173]) tensor([0.3794])
损失函数（均方误差）： 0.11853284388780594
grad W: -0.01 0.0 -0.01 0.0 0.03 0.06 0.02 0.05
=第9轮=
正向计算：o1 ,o2
tensor([0.4109]) tensor([0.3647])
损失函数（均方误差）： 0.11082295328378677
grad W: -0.02 0.0 -0.01 0.0 0.03 0.06 0.02 0.05
=第10轮=
正向计算：o1 ,o2
tensor([0.4047]) tensor([0.3507])
损失函数（均方误差）： 0.10375461727380753
grad W: -0.02 -0.0 -0.01 -0.0 0.02 0.06 0.02 0.05
更新后的权值
tensor([0.3425]) tensor([-0.4540]) tensor([0.5855]) tensor([0.5676]) tensor([-0.2230]) tensor([-1.2686]) tensor([-0.5765]) tensor([0.1418])

Process finished with exit code 0

4.激活函数Sigmoid改变为Relu

源代码：

def sigmoid(z):
    a = 1 / (1 + torch.exp(-z))
    return a


def forward_propagate(x1, x2):
    in_h1 = w1 * x1 + w3 * x2
    out_h1 = sigmoid(in_h1)  # out_h1 = torch.sigmoid(in_h1)
    in_h2 = w2 * x1 + w4 * x2
    out_h2 = sigmoid(in_h2)  # out_h2 = torch.sigmoid(in_h2)

    in_o1 = w5 * out_h1 + w7 * out_h2
    out_o1 = sigmoid(in_o1)  # out_o1 = torch.sigmoid(in_o1)
    in_o2 = w6 * out_h1 + w8 * out_h2
    out_o2 = sigmoid(in_o2)  # out_o2 = torch.sigmoid(in_o2)

    print("正向计算：o1 ,o2")
    print(out_o1.data, out_o2.data)

    return out_o1, out_o2

替换后：

def forward_propagate(x1, x2):
    in_h1 = w1 * x1 + w3 * x2
    out_h1 = torch.relu(in_h1)
    in_h2 = w2 * x1 + w4 * x2
    out_h2 = torch.relu(in_h2)


    in_o1 = w5 * out_h1 + w7 * out_h2
    out_o1 = torch.relu(in_o1)
    in_o2 = w6 * out_h1 + w8 * out_h2
    out_o2 = torch.relu(in_o2)

    print("正向计算：o1 ,o2")
    print(out_o1.data, out_o2.data)

    return out_o1, out_o2

运行结果：
=输入值：x1, x2；真实输出值：y1, y2=
tensor([0.5000]) tensor([0.3000]) tensor([0.2300]) tensor([-0.0700])
=更新前的权值=
tensor([0.2000]) tensor([-0.4000]) tensor([0.5000]) tensor([0.6000]) tensor([0.1000]) tensor([-0.5000]) tensor([-0.3000]) tensor([0.8000])
=第0轮=
正向计算：o1 ,o2
tensor([0.0250]) tensor([0.])
损失函数（均方误差）： 0.023462500423192978
grad W: -0.01 0.0 -0.01 0.0 -0.05 0.0 -0.0 0.0
=第1轮=
正向计算：o1 ,o2
tensor([0.0389]) tensor([0.])
损失函数（均方误差）： 0.020715968683362007
grad W: -0.01 0.0 -0.01 0.0 -0.05 0.0 0.0 0.0
=第2轮=
正向计算：o1 ,o2
tensor([0.0535]) tensor([0.])
损失函数（均方误差）： 0.01803365722298622
grad W: -0.02 0.0 -0.01 0.0 -0.05 0.0 0.0 0.0
=第3轮=
正向计算：o1 ,o2
tensor([0.0690]) tensor([0.])
损失函数（均方误差）： 0.015410471707582474
grad W: -0.02 0.0 -0.01 0.0 -0.04 0.0 0.0 0.0
=第4轮=
正向计算：o1 ,o2
tensor([0.0855]) tensor([0.])
损失函数（均方误差）： 0.012893404811620712
grad W: -0.02 0.0 -0.01 0.0 -0.04 0.0 0.0 0.0
=第5轮=
正向计算：o1 ,o2
tensor([0.1026]) tensor([0.])
损失函数（均方误差）： 0.010560503229498863
grad W: -0.02 0.0 -0.01 0.0 -0.04 0.0 0.0 0.0
=第6轮=
正向计算：o1 ,o2
tensor([0.1200]) tensor([0.])
损失函数（均方误差）： 0.008496038615703583
grad W: -0.02 0.0 -0.01 0.0 -0.04 0.0 0.0 0.0
=第7轮=
正向计算：o1 ,o2
tensor([0.1371]) tensor([0.])
损失函数（均方误差）： 0.006765476893633604
grad W: -0.02 0.0 -0.01 0.0 -0.03 0.0 0.0 0.0
=第8轮=
正向计算：o1 ,o2
tensor([0.1532]) tensor([0.])
损失函数（均方误差）： 0.005397447384893894
grad W: -0.02 0.0 -0.01 0.0 -0.03 0.0 0.0 0.0
=第9轮=
正向计算：o1 ,o2
tensor([0.1679]) tensor([0.])
损失函数（均方误差）： 0.004378797020763159
grad W: -0.01 0.0 -0.01 0.0 -0.02 0.0 0.0 0.0
=第10轮=
正向计算：o1 ,o2
tensor([0.1807]) tensor([0.])
损失函数（均方误差）： 0.0036630069371312857
grad W: -0.01 0.0 -0.01 0.0 -0.02 0.0 0.0 0.0
更新后的权值
tensor([0.3877]) tensor([-0.4000]) tensor([0.6126]) tensor([0.6000]) tensor([0.5074]) tensor([-0.5000]) tensor([-0.3000]) tensor([0.8000])

5.更换损失函数

nn.MSELoss()

def loss_fuction(x1, x2, y1, y2):  # 损失函数
#     y1_pred, y2_pred = forward_propagate(x1, x2)  # 前向传播
    y_pred = torch.cat(forward_propagate(x1, x2), dim=0) 
    y = torch.cat((y1, y2), dim=0)
    
    loss = torch.nn.MSELoss(reduction='mean')
    l = loss(y_pred, y)
    print("损失函数（均方误差）：", l.item())
    return l

nn.CrossEntropyLoss()

def loss_fuction(x1, x2, y1, y2):  # 损失函数
    y1_pred, y2_pred = forward_propagate(x1, x2)  # 前向传播
    y_pred = torch.stack([y1_pred, y2_pred], dim=1)  # 将两个预测值放在一个矩阵中
    y = torch.stack([y1, y2], dim=1)
    
    loss = torch.nn.CrossEntropyLoss()
    l = loss(y_pred, y)
    print("损失函数（均方误差）：", l.item())
    return l

6.更改步长

孟小起
随着 Iter 的增加，Loss 会递减，而且随着 Step 的增大，Loss 会收敛的更快。

孟小起
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
人工智能作业四——卷积
mqj010321的博客
05-28 858
一、卷积概念 1.卷积：其本质上是一种互相关函数计算或者是图像处理中的空间滤波器 数学中卷积，主要是为了诸如信号处理、求两个随机变量和的分布等而定义的运算，所以需要“翻转”是根据问题的需要而确定的 卷积神经网络中“卷积”，是为了提取图像的特征，其实只借鉴了“加权求和”的特点 另外数学中的“卷积核”都是已知的或者给定的，卷积神经网络中“卷积核”本来不是给定的，是根据数据训练学习的。 2.卷积核 其实就是一个矩阵，它的作用就是提取特征，不同卷积核提取的特征不同，网络训练的目的就是提高卷积核提取特征的能力。 3.
人工智能大作业
MrRookieX的博客
11-14 6393
人工智能作业人工智能大作业——讨论手写数字识别的几种实现方法一、实验目的二、实验环境三、实验原理3.1 线性判别(fisher判别)[^1]3.2 集成学习[^2]3.2.1 Baggingrandom forest3.2.2 Boostingadaboost四、实验步骤4.1 线性判别4.2 adaboost五、实验结果参考文献 人工智能大作业——讨论手写数字识别的几种实现方法 一、实验目的 用多种机器学习方法实现手写数字识别，并比较不同。 二、实验环境 2.1 Python 3.7.6 2.2 Anac
人工智能作业3例题复现
qq_44429225的博客
05-09 484
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、使用pytorch复现例题二、对比作业2和作业3 的程序1.作业2结果 前言 学习pytorch相关知识，掌握 实际运用能力。 一、使用pytorch复现例题 相关代码： import torch x1, x2 = torch.Tensor([0.5]), torch.Tensor([0.3]) y1, y2 = torch.Tensor([0.23]), torch.Tensor([-0.07]) print(“=输.
基于Python实现的人工智能作业小车问题
毕业作品网站
09-20 1030
本次设计为强化学习方面的程序设计，通过这次作业我加深了对 Q-learning 和 SARSA 两类算法的理解，用实践巩固了理论知识，并从程序结果更清晰地体会到了不同算法之间的差异，新学习了 SARSA(λ)和函数逼近的 DQN 算法，也是对之前监督学习的一个回顾，同时， 我掌握并锻炼了 python 语言的编写，熟悉了 pycharm 平台的相关操作，有了上大作业的经验，这次配置环境、安装数据包等都熟练了很多。3.1 离散版本𝐌𝐨𝐮𝐧𝐭𝐚𝐢𝐧𝐂𝐚𝐫 − 𝐯𝟎 2。（2）Q-learning 算法 2。
人工智能作业及答案
qq_42829312的博客
06-07 4514
人工智能课程作业总结
人工智能大作业——五子棋
qq_45043734的博客
08-01 9037
前言： 我这个五子棋作业是参考： https://blog.csdn.net/wudingan/article/details/106812722 （实现了完整的人机对战，通俗易懂。） 我只是在此基础上做修改增加加入进入游戏界面，人人对战，回到主界面，重新开始游戏的一些小功能 使用pygame 主界面效果图 这个主界面嘛都是ps上去的，主要是为了好看，我们需要实现点击人机对战和人人对战两个按钮进入相应的界面，这个就需要在代码中添加这两个按钮对应的x,y范围。 1.导入必要库以及定义一些全局变量 2.定义一
人工智能决策树大作业
weixin_45202602的博客
12-29 2317
以西瓜集 2.0 为建模数据，采用交叉验证方法进行数据训练集和验证集的划分，实现决策树 “预剪枝”算法
AI作业ch7
JamSlade的博客
04-23 784
决策树样例 测评代码 #include <bits/stdc++.h> using namespace std; // 每个数据或是整数或是浮点数，实际使用时每个数据仅其中一个值有效 struct Val { int i; double d; Val(int _i): i(_i), d(0) {} Val(double _d): i(0), d(_d) {} }; bool operator != (const Val& lhs, const Va
人工智能作业
Wanzhen__的博客
03-12 36
人工智能作业
人工智能作业（付详细讲解）
12-21
人工智能作业 人工智能简介 语义网络 知识图谱 遗传算法 熟悉和计算卷积操作 人工智能简介 1、什么是人工智能 答：人工智能简称AI，是研究、开发用于模拟人脑的理论、方法技术的学科。它试图了解智能的实质，并铲出...
人工智能大作业/课程设计
12-25
人工智能大作业/课程设计 小白不懂运行，下载完可以私聊问，可远程教学 该资源内项目源码是个人的课程设计，代码都测试ok，都是运行成功后才上传资源，答辩评审平均分达到96分，放心下载使用！ ## 项目备注 1、该...
人工智能作业-01.doc
11-18
人工智能作业-01.doc 人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。它的研究目标是实现机器智能，而计算机自身具有符号处理的推算能力，这种能力本身就蕴含...
人工智能导论作业1Key1
08-08
人工智能导论作业1Key1 人工智能是一门多学科交叉的科学，涉及计算机科学、数学、神经科学、工程学和哲学等领域。以下是对人工智能导论作业1Key1的知识点总结： 一、批量归一化（Batch Normalization，BN） 批量...
人工智能作业_第三次1
08-08
"人工智能作业_第三次1" 在这篇作业中，我们将一个实际问题建模为搜索问题，该问题来自于超算任务运行时间预测，在进行超算任务运行时间预测的时候，有一个重要的步骤就是要确定能够定义运行任务相似的特征。以往的...
MATLAB神经网络---regressionLayer回归输出层
最新发布
qq_45452617的博客
06-12 691
回归层计算回归任务的半均方误差损失。Matlab中的regressionLayer函数是一个深度学习工具箱中的函数,用于定义回归问题的损失函数层。它可用于神经网络模型的最后一层，将预测值与目标值进行比较,并计算出损失值。
基于增强形态学滤波的旋转机械故障诊断方法（MATLAB）
weixin_39402231的博客
06-12 605
提出一种基于增强形态学滤波的旋转机械故障诊断方法，该方法根据振动信号的固有特性从而自适应地确定相关参数，有效改进了故障特征的提取计算能力和计算效率.
Recognize Anything: A Strong Image Tagging Model（RAM模型使用方法）
python_plus的博客
06-09 937
详细介绍了RAM模型的使用方法
Spring AI 第三讲Embeddings（嵌入式） Model API 第一讲OpenAI 嵌入
qq_25137131的博客
06-09 850
Spring AI 支持 OpenAI 的文本嵌入模型。OpenAI 的文本嵌入测量文本字符串的相关性。嵌入是一个浮点数向量（列表）。两个向量之间的距离可以衡量它们之间的相关性。距离小表示关联度高，距离大表示关联度低。
人工智能大作业选题推荐
10-23
人工智能大作业选题可以根据自己的兴趣和专业方向进行选择。以下是一些常见的人工智能应用场景，供您参考： 1. 图像识别：包括人脸识别、车牌识别、物体识别等。 2. 自然语言处理：包括情感分析、文本分类、机器翻译...

“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