NNDL 知识点梳理

已于 2022-12-06 19:20:18 修改
阅读量482 收藏
点赞数 6
分类专栏： NNDL作业[2022-2023秋] DeepLearning 文章标签： 深度学习
于 2022-12-02 17:47:32 首次发布
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_38975453/article/details/128152029
版权

NNDL 作业1：第二章课后题

NNDL 作业2：第三章课后题

NNDL 作业3：分别使用numpy和pytorch实现FNN例题

NNDL 作业4：第四章课后题

NNDL 作业5：卷积

【NNDL作业】图像锐化后，为什么“蒙上了一层灰色”？

NNDL 作业6：基于CNN的XO识别

NNDL 作业7：第五章课后题（1×1 卷积核 | CNN BP）

【NNDL作业】 宽卷积具有交换性

NNDL 作业8：RNN - 简单循环网络

NNDL 作业9：分别使用numpy和pytorch实现BPTT

NNDL 作业10：第六章课后题（LSTM | GRU）

NNDL 作业11：优化算法比较

【NNDL 作业】优化算法比较 增加 RMSprop、Nesterov

NNDL 作业12：第七章课后题

 

 

 

 

REF：

神经网络与深度学习 (nndl.github.io)

 

HBU_David
关注
专栏目录
NNDL
03-22
标题 "NNDL" 暗示我们正在探讨神经网络领域的知识，而描述中的内容却提到了一个数学问题，寻找函数 \( f(x) = x^4 + 3x^2 + 10 \) 的全局最小点和值。这个问题虽然不是直接与神经网络相关的，但它涉及到优化，这是...
实验环境5-1所需要的nndl包
10-28
《神经网络基础与nndl库解析》 神经网络，作为人工智能领域的核心组成部分，已经在机器学习、深度学习等众多...在实验环境5-1中，通过实践nndl，可以进一步巩固理论知识，提升动手能力，为未来的AI项目打下坚实基础。
NNDL实验 知识点梳理
Notebook
12-03 1711
本学期共做实验16个。还有5个没来得及做，安排为寒假根据兴趣自选学习。
NNDL 2022秋
Notebook
12-20 1718
NNDL 课程总结
NNDL实验5
qq_30807319的博客
10-16 295
NNDL实验5
NNDL 实验五 前馈神经网络（3）鸢尾花分类
m0_51799083的博客
10-14 165
前馈神经网络
NNDL 作业12：第七章课后题
fangerfang？
12-12 340
参考链接：权值衰减和 L2 正则化傻傻分不清楚？
NNDL 实验五 前馈神经网络 （3）鸢尾花数据集
qq_61291372的博客
10-16 601
前馈神经网络
NNDL 实验五 前馈神经网络（3）鸢尾花分类 深入理解Iris数据集
qq_58153224的博客
10-14 1329
画出数据集中150个数据的前两个特征的散点分布图： 【统计学习方法】感知机对鸢尾花(iris)数据集进行二分类继续使用第三章中的鸢尾花分类任务，将Softmax分类器替换为前馈神经网络。损失函数：交叉熵损失； 优化器：随机梯度下降法； 评价指标：准确率。 若无特别说明，实验默认所用第三方库： 4.5.1 小批量梯度下降法 为了减少每次迭代的计算复杂度，我们可以在每次迭代时只采集一小部分样本，计算在这组样本上损失函数的梯度并更新参数，这种优化方式称为小批量梯度下降法（Mini-Batch Gradient D
推荐算法工程师需要掌握哪些核心技能点？
热门推荐
04-08 1万+
有幸在去年4月份，被分配到鹅厂推荐组，接触了国内顶尖的算法团队，截止现在自己做推荐也有半年时间了，如果说以前自己的成长速度是线性成长，那么在这半年时间，自己的成长可以说是指数级成长。鉴于目前工作上越来越驾轻就熟，逐渐从小白状态脱离出来，回答一下这个问题，算是给自己这半年算法工作的一个记录。先给大家奉上，一名合格的推荐算法工程师所需要掌握的各项知识点和技能图：如题主所说，推荐系统涉及到的知识点“大而杂”，是一项复杂的工程，那么一条完整的推荐系统学习进阶路径，需要包含哪些方面呢，我认为至少需要包含以下6大方面：
万字入门推荐系统！
Datawhale
11-01 723
最近一周我、强子、Y哥三人，根据自身如何入门推荐系统，再结合三人分别在腾讯做广告推荐、字节做视频推荐、百度做信息流推荐的经历，整理出了这份万字入门推荐系统。内容十分详细，涵盖了推荐系统基础...
【深度学习】实验 — 动手实现 GPT【二】：注意力机制、注意力掩码、多头注意力机制
我们都是被分成两半的人，一边热爱生活，一边憎恨生活。面对生活，我们总是在矛盾的两端摇摆，在反复的矛盾和犹豫中，一边踉跄前行，一边重振旗鼓。我渴望改变，渴望变得更好，渴望找到出口……就像一个溺水人的挣扎，就像一个救生圈。我是一个矛盾集合体，想要变得快乐，但是
10-31 647
（在本书中，我们遵循机器学习和深度学习的常见惯例，即训练样本表示为行，特征值表示为列；在上面的张量中，每一行表示一个词，每一列表示一个嵌入维度。（请注意，此图中的数字已截取至小数点后两位，以减少视觉杂乱；同样，其他图中的数字也被截取。在自注意力机制中，首先计算注意力分数，随后对其进行归一化以得出总和为 1 的注意力权重。接下来，我们将推广该计算，以求得所有的注意力权重和上下文向量。然后，这些注意力权重被用于通过输入的加权求和生成上下文向量。上面我们计算了输入 2 的注意力权重和上下文向量。
深度学习案例：一步步搭建多层神经网络以及应用
STRANGEX-03的博客
10-31 347
该案例来自吴恩达深度学习系列课程一《神经网络和深度学习》第四周编程作业，一步步搭建多层神经网络以及应用，作业内容是搭建一个能够识别猫的多层的神经网络。作业提供的资料包括：训练集、测试集、测试实例、神经网络工具包、加载数据的工具包，下载请移步参考链接一。
深度学习（九）：推荐系统的新引擎（9/10）
最新发布
小相探索IT世界
10-31 1465
深度学习在推荐系统中的应用为用户带来了更智能、更个性化的推荐体验。通过与推荐系统的融合，深度学习解决了传统推荐系统在处理大规模、高维度数据时的力不从心，以及冷启动和数据稀疏等问题。在应用方式上，各种 2vec 的应用、基于神经协同过滤的推荐以及在个性化推荐系统中的特征表示学习、序列模型和嵌入模型等，都为推荐系统的准确性和个性化提供了有力支持。构建深度学习推荐系统时，需要考虑整体框架与技术选择，如大数据框架和深度学习模型的选择。同时，通过具体案例分析，可以更好地理解深度学习在推荐系统中的实际应用。
引入了窥视孔连接（peephole connections）的LSTM
m0_73640344的博客
10-29 651
通过引入窥视孔连接，LSTM能够更加精确地控制信息流，因为每个门都可以根据细胞状态的即时值进行调整。这种设计不仅增强了模型的性能，尤其是在需要精细控制内部状态记忆的应用中，如复杂的序列预测和模式识别任务，也提高了决策过程的透明度和直观性。
关于深度学习方向学习的一些建议
QQ_778132974的博客
10-30 1145
以下是关于深度学习方向学习的一些建议：nn.Moduletf.kerastf.kerasautogradautograd。
深入探索：深度学习在时间序列预测中的强大应用与实现
平凡程序猿~的博客
10-28 3449
随着深度学习的快速发展，循环神经网络（RNN）、长短期记忆网络（LSTM）、门控循环单元（GRU）、卷积神经网络（CNN）以及Transformer模型逐步应用到时间序列分析中，并取得了较好的结果。下面将详细介绍这些模型的原理、优势、不足以及实际应用中的代码示例。
深度学习：梯度下降算法简介
m0_73640344的博客
10-29 1302
在深度学习的训练过程中，梯度下降算法（Gradient Descent，简称GD）扮演着至关重要的角色。这一算法的核心机制是利用数据集的梯度信息来迭代更新模型参数，以最小化损失函数。接下来，我们将详细讨论其各种变体和进化。1. 随机梯度下降（SGD）由于全批量的梯度下降在面对大规模数据集时会受到内存限制和迭代速度的制约，学者们提出了随机梯度下降（Stochastic Gradient Descent，SGD）。这种方法每次迭代仅使用数据集中的一个小批量样本来计算梯度和更新参数。
深度学习:CTC详解
m0_73640344的博客
10-31 464
联结主义时序分类（CTC）是一种专门用于序列建模任务的训练和解码方法，尤其适用于输入和输出序列长度不同的情况。它最初由 Alex Graves 等人在语音识别领域提出，后来被广泛应用于其他需要标签序列预测的任务，如手写识别。CTC 通过引入一个特殊的标签——通常称为“空”或“blank”标签——来解决序列长度对齐的问题，允许模型灵活地输出变长序列。
anaconda安装nndl模块
05-17
您可以通过以下步骤在Anaconda中安装nndl模块： 1. 打开Anaconda Prompt（Windows）或终端（Mac、Linux）。 2. 运行以下命令更新conda： ``` conda update conda ``` 3. 运行以下命令创建一个新的环境（可选，...
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