![](https://img-blog.csdnimg.cn/20201014180756919.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
文章平均质量分 92
XHD_0728
东北大学 计算机科学与工程学院
展开
-
【PyTorch学习】Day6_图像学习
这个值被称为我们模型给定参数的似然,换句话说,我们想要一个损失函数,当概率很低的时候,损失非常高:低到其他选择都有比他高的概率;站在B类样本的视角,第二个概率高于第一个,换句话说,我们希望惩罚错误分类,而不是惩罚数值本身。然而,基于一个样本的减小损失的好方向对其他样本可能不是好方向,通过在每个迭代周期上变换样本并一次估计一个或几个样本的梯度,我们可以引入随机性,例如。实际上,我们的分类器并不是很完美的,我们可以期望网络输出介于二者之间的结果,我们可以将输出解释为概率:第一项是A的概率,第二项是B的概率。原创 2023-10-12 16:00:44 · 134 阅读 · 0 评论 -
【PyTorch学习】Day5_使用神经网络拟合数据
深度学习的核心是神经网络,即一种能够通过简单函数的组合来表示复杂函数的数学实体,人工神经网络和生理神经网络(我们的大脑)似乎都使用模糊相似的数学策略来逼近复杂的函数。,即将输入乘以一个权重,加上一个常数(偏置),然后用一个固定的非线性函数(激活函数),作用是约束输出,避免产生梯度消失或梯度爆炸。在之前的训练中,我们只考虑了一个输入特征,当我们需要考虑多个特征时,就需要增加输入特征的维度,把一个一维张量变成一个矩阵,使用。的一个参数,将中间输出传递给后续模块,并产生最后一个模块返回的输出;原创 2023-10-07 18:31:31 · 612 阅读 · 1 评论 -
【PyTorch学习】Day4_自动求导更新及关闭
我们还可以根据一个布尔表达式设定代码运行时启用或禁用自动求导的条件,典型的条件时我们是在训练模式还是推理模式下运行。,也就是说我们没有必要跟踪这部分张量并构造计算图,因为这会带来额外的开销;而验证集提供了一份独立的模型评估,评估模型对未用于训练的数据的输出的准确性。张量中累加,在这种情况下,我们将在整个数据集上(训练集和测试集)有效地训练我们的模型,因为梯度依赖于两者。将单独的张量经过相同的函数,即。相对于同一叶子节点上的参数的导数,即在。在前文的训练循环中,我们只对。,这将创建一个新的计算图,将。原创 2023-10-07 12:50:34 · 167 阅读 · 1 评论 -
【PyTorch学习】Day3_学习的机制
在任何一个学习过程中,我们都需要进行以下操作:获取数据,选择模型,估计模型的参数,使其能够对新数据做出良好的预测。简要概括以下我们将要实现的内容,即:假设我们有一个新的温度计,但是这个温度计没有刻度,我们尝试建立一个数据集,以我们选择的单位来表示刻度值和相应的温度值,接下来选择一个模型,迭代调整它的权重,直到误差的度量足够低,最终能够以我们选择的单位来解释新的刻度值我们使用摄氏温度记录下温度数据,同时用新的温度计测量,记录新温度计上的刻度,得到以下数据其中表示摄氏温度,表示新的刻度我们使用画出散点图如原创 2023-10-06 20:51:48 · 255 阅读 · 1 评论 -
【PyTorch学习】Day1_初识张量
观察得到,转置后内存中元素的位置不变,但是改变了张量的步长和偏移量,并且张量失去了连续性,我们可以通过。还有一些更高级的索引方法,这部分在以后会经常用到,用法十分简单边界,且与Python中基本元素类型。语言进行编写的,为多卡计算和分布式计算等方式提供了很好的支持,代码实现也比较简单。方法进行“洗牌”操作,重置其步长和偏移量,使其恢复连续性,后续。中,张量本身是线性存储的,张量的维度是通过对应的。,随着以后的学习,我们会逐渐接触到各种各样的。分别等于0,1,2,3时,要使用。方法初始化张量的大小。原创 2023-10-04 21:47:07 · 179 阅读 · 1 评论