第一章：零基础入门深度学习（上）作业

最新推荐文章于 2023-07-26 16:37:51 发布
最新推荐文章于 2023-07-26 16:37:51 发布
阅读量1.4k 收藏 12
点赞数 5
分类专栏： 百度飞浆——零基础实践深度学习 文章标签： 深度学习 机器学习 神经网络
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/qq_34604224/article/details/118052460
版权
这篇博客介绍了深度学习的基础知识，包括监督学习的应用，如用牛顿第二定律类比机器学习过程；深度学习工程师的市场需求；样本归一化的原因；随机梯度下降中batchsize的影响；以及反向传播和梯度计算的理解，通过实例解释了如何在神经网络中应用这些概念。
摘要由CSDN通过智能技术生成

目录

作业1-1

作业1-2

作业 1-3

作业1-4

作业1-1

1. 类比牛顿第二定律的案例，在你的工作和生活中还有哪些问题可以用监督学习的框架来解决？模型假设和参数是什么？评价函数（损失）是什么？

知识点：

机器学习的过程与牛顿第二定律的学习过程基本一致，都分为假设、评价和优化三阶段。

案例：披萨价格与披萨尺寸之间的关系。

模型假设：通过观察价格P和尺寸S的观测数据，假设P与S是线性关系，即P = w * S

参数：w

评价函数（损失）：采用均方误差，那么

\frac{1}{N} * \sum_{i=1}^{n}(P(W,S) - Y )^2

2. 为什么说深度学习工程师有发展前景？怎样从经济学（市场供需）的角度做出解读？

最低0.47元/天 解锁文章
dbf666
关注
专栏目录
【深度学习】第三周课程作业实践
weixin_44003314的博客
06-03 833
【数据集的处理】 import numpy as np import matplotlib.pyplot as plt m = 400 # number of examples N = int(m / 2) # number of points per class D = 2 # dimensionality X = np.zeros((m,D)) # data matrix where each row is a single example 400*2 Y = np.zeros((m,1), dtyp
吴恩达深度学习课程-Course 1 神经网络与深度学习 第四周 深层神经网络编程作业（第一部分）
FelicityXu的博客
09-09 571
第一部分 引入 构建您的深度神经网络：循序渐进 欢迎来到您的第 4 周作业（第 1 部分，共 2 部分）！ 您之前已经训练了一个 2 层神经网络（具有单个隐藏层）。 本周，您将构建一个深度神经网络，层数不限！ 在本笔记本中，您将实现构建深度神经网络所需的所有功能。 在下一个作业中，您将使用这些函数来构建用于图像分类的深度神经网络。 完成此任务后，您将能够： 使用像 ReLU 这样的非线性单元来改进你的模型 构建更深的神经网络（具有 1 个以上的隐藏层） 实现一个易于使用的神经网络类 Notation
第一次作业：深度学习基础
weixin_46075186的博客
09-05 500
第一部分：深度学习概论 1956年，达特茅斯会议首次提出“人工智能”的概念，随后人工智能经历了三次起伏。 人工智能的三个层面：计算智能（主要是计算和存储）、感知智能（有感知，例如无人驾驶）、认知智能（有意识，能思考）。 人工智能、机器学习与深度学习 人工智能>机器学习>深度学习 人工智能中包含机器学习，机器学习通过是否使用神经网络划分为神经网络和传统机器学习，而运用深度神经网络的才是深度学习。 机器学习 定义：从数据中自动学习知识 ...
百度飞桨系列课程：百度架构师手把手带你零基础实践深度学习——21日学习打卡（第一周第三日）
zhu_rui的博客
08-13 1927
百度架构师手把手带你零基础实践深度学习——21日学习打卡（第一周第三日） 首先声明，不详细讲解代码部分，主要是针对课程的理解及对作业的分析。（要是有代码相关问题可以私信） 今天毕然老师是围绕着一个经典案例【手写数字识别】展开来讲的，模型方面从房价预测模型过渡到手写体识别模型，依旧使用了Linear()函数定义一层全连接，中间部分讲述了使用“横纵式”教学法中的纵向极简方案快速完成手写数字识别任务的建模，但效果不行，所以后来改用横向展开，进行逐个环节优化。下面是结构图，方便记忆。紧接着讲解了对数据的“预处理”
第一章：零基础入门深度学习（下）作业
qq_34604224的博客
07-10 479
作业1-5 在AI Studio上注册用户，查阅本课程的案例库，找到房价预测的案例。
（笔记）第一章：零基础入门深度学习
热门推荐
何少的博客
08-12 1万+
人工智能、机器学习、深度学习的关系 机器学习 专门让计算机去模拟或实现人类的学习行为 机器学习的实现 机器学习的实现可以分成两步：训练和预测，类似于我们熟悉的归纳和演绎： 归纳：从具体案例中抽象一般规律。从大量样本中得到Y与X的关系 演绎：从一般规律推导出具体案例的结果。输入新的X到Y的式子中 确定模型参数 衡量模型预测值和真实值差距的评价函数也被称为损失函数（损失Loss） 模型假设、评价函数（损失/优化目标）和优化算法是构成模型的三个部分 模型结构介绍 模型假设： 假设空间先圈定了一个模型能
人工智能学习与实训笔记（一）：零基础入门学习与实训笔记
最新发布
weixin_45512098的博客
07-26 681
基于百度飞桨的人工智能学习笔记
飞桨 百度架构师手把手带你零基础实践深度学习21天 学习笔记——零基础入门
weixin_49887018的博客
08-13 425
第一章：零基础入门深度学习 到今天早上才学习完第一章零基础入门深度学习，在上周我才开始接触python，所以对于代码的理解需要费一些功夫，在看到一个新的函数、新的库都要去搜索学习。 但好在飞桨的课程真的是逐步讲解深度学习的每一个步骤与过程，我也跟着学习理解了这个过程。 由于我的专业是数学系，所以对于一些理论推的理解也吸收较快。 概念理解 深度学习参考了人脑结构，运用了神经网络，他比机器学习、人工智能更加复杂，他集中于文字、图像及语言。 神经网络三个核心点：神经元（加权和、非线性变换——激活函数）、多层连接、
【22-23 春学期】AI作业5-深度学习基础
likbou的博客
04-19 144
由于单层感知机使用sign函数，结构较为简单，不像sigmoid 函数那样以一定概率对结果进行输出，所以单层感知机效果与逻辑回归相比较差，泛化能力很差。逻辑回归的损失函数通常选用交叉熵损失函数，也可以选用均方差损失函数，而单层感知机则是基于误分类点到超平面的距离总和来构造损失函数。是机器学习中最为基础的方法之一，也可以认为是一种最为简单的神经网络，其模型结构与逻辑回归是一致的，都是多个输入，乘以权值求和再加上偏置，再经过激活函数得到输出，如下图所示。多层感知机最底层是输入层，中间是隐藏层，最后是输出层。
第二次作业：深度学习基础
m0_61922407的博客
09-30 520
本博客为OUC2022秋季软件工程第二周作业——深度学习基础。
【零基础实践深度学习】使用飞桨构建数字识别实践作业及知识回顾
weixin_45790053的博客
08-17 586
第一周实践作业作业内容所用知识回顾 作业内容 课程中以1张图片为例，测试了预测效果，请从原始mnist数据集中，随机抽取出100张图片，测试下模型的分类准确率。 完整代码如下： # 获取数据 import os import random import paddle import paddle.fluid as fluid from paddle.fluid.dygraph.nn import Conv2D, Pool2D, Linear import numpy as np from PIL import
吴恩达 深度学习笔记+作业 (一)
weixin_30871293的博客
02-22 422
1.1.2 Building basic functions with numpy 1.1.2.2 numpy.exp, sigmoid, sigmoid gradient import numpy as np def sigmoid(x): s = 1/(1+np.exp(-x)) return s# 设sigmoid为s, s' = s*(1-s) d...
深度学习系列作业1----by 吴恩达
CurryCoder的个人博客
09-11 524
import numpy as np import matplotlib.pyplot as plt import h5py  # 是与数据集（存储在H5文件中的数据集）交互的常用软件包 import scipy.misc import scipy.ndimage from lr_utils import load_dataset import matplotlib """使用logistic ...
百度架构师手把手带你零基础实践深度学习 学习笔记（一）
m0_50102823的博客
08-16 1226
百度架构师手把手带你零基础实践深度学习 学习笔记（一）作业1-21.样本归一化：预测时的样本数据同样也需要归一化，但使用训练样本的均值和极值计算，这是为什么？2.当部分参数的梯度计算为0（接近0）时，可能是什么情况？是否意味着完成训练？新的改变 作业1-2 1.样本归一化：预测时的样本数据同样也需要归一化，但使用训练样本的均值和极值计算，这是为什么？ 当模型在训练阶段所接触到的参与训练的样本来自于训练集，而当模型投入使用时，模型会接触到的测试样本并不一定来自于划分好的测试集，而是从未接触过的样本。 因此将模
深度学习理论学习过程中的一些常见问题
weixin_43572595的博客
04-15 2454
1. 样本归一化：预测时的样本数据同样也需要归一化，但使用训练样本的均值和极值计算，这是为什么？ 答：可以从三个角度理解：众所周知，我们的数据集分为训练集和测试集，对于测试集的均值方差归一化，不能用测试集的均值和方差，而要用训练集的均值和方差，因为真实数据中很难得到其均值和方差。另外，网络参数是从训练集学习到的，也就是说，网络的参数尺度是与训练集的特征尺度一致性相关的，所以应该认为测试数据和训练数据的特征分布一致。最后，训练集数据相比测试集数据更多，用于近似表征全体数据的分布情况。 总结就是认为测试数据的分
百度“飞浆“学习笔记
cocolingzy的博客
08-12 1886
百度"飞浆"学习笔记 第一章作业 1-2： 1. 样本归一化：预测时的样本数据同样也需要归一化，但使用训练样本的均值和极值计算，这是为什么？ 答：建立模型使用的是训练样本的均值和极值归一化的样本，预测样本需要采用相同的归一化参数 2. 当部分参数的梯度计算为0（接近0）时，可能是什么情况？是否意味着完成训练？ 答：当部分参数梯度计算接近0时，表明这些参数达到最优，后续更新梯度时，只选择其他参数的梯度取平均值进行迭代，直到所有参数梯度接近0时，完成训练。 1-3 1. 随机梯度下降的batchsize设置成多
深度学习——深度学习基础概念
庄小焱
02-12 1756
摘要 本文将针对与深度学习的平台的这样的一个理解和实战这样的一个理解。这是一个系列的课程。我将一直更新好有关于的paddle的开发和学习。 技能储备 具备一定的Python编码能力，推荐《Python编程 从入门到实践》 具备初步的机器学习和深度学习的理论知识。 飞桨全景图 ...
零基础入门：深度学习教程+历史与应用详解
《手把手教你零基础成为深度学习高手》为读者提供了一个循序渐进的学习路径，从深度学习的基本概念、主要模型架构、训练方法到硬件支持，涵盖了从入门到进阶的全部内容，是希望踏入深度学习领域的理想指南。对于零...
评论 5
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