- 博客(4)
- 收藏
- 关注
RSS订阅原创 GAN生成对抗网络原理推导（附加代码）
由两个神经网络组成：生成器（Generator）和判别器（Discriminator）。这两个网络彼此对抗，通过对抗训练的方式来学习生成逼真的数据样本。1.：生成器的目标是学习生成与真实数据样本相似的数据。它接收一个随机噪声或其他形式的输入，然后通过一系列的神经网络层逐步将这个输入转换为所需的输出数据。生成器的目标是使其生成的数据尽可能地接近真实数据分布。2.：判别器的任务是区分生成器生成的假数据和真实数据。它接收生成器生成的样本和真实数据样本作为输入，并输出一个概率，表示输入是真实数据的概率。
2024-05-15 20:23:04
1005
原创 从认识RNN到上手
循环神经网络（Recurrent Neural Network，）是一种用于处理序列数据的神经网络结构。与传统的前馈神经网络不同，RNN具有循环连接，可以使信息在网络中持续传递。这种结构使得RNN非常适合处理具有时间相关性的序列数据，如语言、时间序列等。RNN的主要特点是它们可以接受任意长度的输入序列，并且能够记忆序列中之前的信息，这使得它们在处理序列数据时非常有用。在RNN中，每个时间步都有一个输入和一个隐藏状态，隐藏状态包含了该时间步之前的信息，并且会传递到下一个时间步中，从而影响后续的输出。
2024-05-09 17:53:21
799
原创 深度学习-函数讲解
归一化输出：Softmax 函数能够将输入转换为概率分布，确保输出值的范围在 [0, 1] 之间，并且所有输出的总和为 1。适用于多分类任务：Softmax 函数通常用于多分类问题，它可以将模型的输出转换为各个类别的概率分布，从而方便进行多分类任务的训练和预测。reduce表示是否将输出进行压缩，默认为true。卷积层的作用是用来提取特征，卷积层主要涉及的参数包括：滑动窗口步长，卷积核尺寸，填充边缘，卷积核个数。池化层的常见操作包含以下几种：最大值池化，均值池化，随机池化，中值池化，组合池化等。
2024-04-18 18:31:22
880
1
原创 使用 PyTorch 封装反向传播（Backpropagation）的简单神经网络类
5. **反向传播和更新权重**：通过调用 `optimizer.zero_grad()` 来清除之前的梯度信息，然后调用 `loss.backward()` 来计算梯度并执行反向传播。其中，θ表示模型参数，α表示学习率（控制参数更新的步长），∇J(θ, xi, yi)表示损失函数关于模型参数的梯度，xi和yi分别表示选择的样本的特征和标签。3. **准备数据**：我们生成了随机的输入数据 `input_data` 和目标输出 `target_output`，这些随机生成的数据用于训练神经网络。
2024-03-27 21:39:09
914
1
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