Roar冷颜的博客

PyTorch框架学习 — 张量操作与线性回归1 张量的操作1.1 拼接1 张量的操作1.1 拼接torch.cat()torch.cat(tensors, dim=0, *, out=None) → Tensor【功能】：将张量按照 dim 维度进行拼接，所有张量必须具有相同的形状。...

PyTorch框架学习 — Tensor（张量）详解

吴恩达《神经网络和深度学习》— 深度神经网络应用--Cat or Not?※※※※※上一篇：【构建深度神经网络】※※※※※  在这篇文章中，我们将使用在上一篇文章中实现的函数来构建深层网络，并将其应用于分类cat图像和非cat图像。希望你会看到相对于先前的逻辑回归实现的分类，准确性有所提高。学完本篇文章将掌握的技能：  ∙\bullet∙ 建立深度神经网络并将其应用于监督学习...

吴恩达《神经网络和深度学习》— 构建深度神经网络1 安装包2 构建深度神经网络的框架3 初始化3.1 两层神经网络参数的初始化3.2 L层神经网络参数的初始化4 前向传播模块4.1 线性前向4.2 前向线性激活4.3 L层模型5 损失函数6 后向传播模块※※※※※上一篇：【用一层隐藏层的神经网络分类二维数据】※※※※※  在上一篇教程中我们已经训练了一个两层的神经网络（只有一个隐藏层）。这篇文章，我们将学会构建一个任意层数的深度神经网络，并实现构建深度神经网络所需的所有函数！学完本篇文章将掌握的技

吴恩达《神经网络和深度学习》—用一层隐藏层的神经网络分类二维数据1 安装包2 数据集  现在是时候建立你的第一个神经网络了，它将具有一层隐藏层。你将看到此模型与你使用逻辑回归实现的模型之间的巨大差异。做完该作业将掌握的技能：  ∙\bullet∙ 实现具有单个隐藏层的二分类神经网络  ∙\bullet∙ 使用具有非线性激活函数的神经元，例如tanh  ∙\bullet∙ 计算交叉熵损失  ∙\bullet∙ 实现前向和后向传播  本文所使用的资料：【点击下载】，提取码：rc4u。请在开始之

吴恩达《神经网络和深度学习》编程作业—用神经网络思想实现逻辑回归1 安装包2 问题概述做完该作业将掌握的技能：  ∙\bullet∙ 建立学习算法的一般架构，包括：    （1）初始化参数    （2）计算损失函数及其梯度    （3）使用优化算法（梯度下降）  ∙\bullet∙ 按正确的顺序将以上所有三个功能集成到一个主模型上。  本文所使用的资料：【点击下载】，提取码：xoyp。请在开始之前下载好所需资料，然后将文件解压到你的代码文件同一级目录下，请确保你的代码那里有lr_utils

吴恩达《神经网络和深度学习》课程作业—numpy入门，函数向量化实现1 使用numpy构建基本函数1.1 sigmoid function和np.exp()1.2 Sigmoid gradient1.3 重塑数组1.4 行标准化1.5 广播和softmax函数2 向量化2.1 向量和矩阵的点积、内积和对应元素逐个相乘运算2.2 实现L1和L2损失函数做完该作业将掌握的技能：  ∙\bullet∙ 会使用numpy，包括函数调用及向量矩阵运算  ∙\bullet∙ 理解Python中“广