- 博客(4)
- 收藏
- 关注
RSS订阅原创 深度学习入门：基于Python的理论与实现——第四章——神经网络的学习
第四章——神经网络的学习本章的主题是神经网络的学习。这里所说的“学习”是指从训练数据中自动获取最优权重参数的过程。本章中，为了使神经网络能进行学习，将导入损失函数这一指标。而学习的目的就是以该损失函数为基准，找出能使它的值达到最小的权重参数。为了找出尽可能小的损失函数的值，本章我们将介绍利用了函数斜率的梯度法。 从数据中学习 神经网络的特征就是可以从数据中学习。所谓“从数据中学习”是指可以由数据自动决定权重参数的值。在实际的神经网络中，参数的数量成千上万，在层数更深的深度学习中，参数的数量甚至
2023-12-23 19:58:26
44
原创 深度学习入门：基于Python的理论与实现——第三章——神经网络
上一章我们学习了感知机。关于感知机，既有好消息，也有坏消息。好消息是，即便对于复杂的函数，感知机也隐含着能够表示它的可能性。上一章已经介绍过，即便是计算机进行的复杂处理，感知机（理论上）也可以将其表示出来。坏消息是，设定权重的工作，即确定合适的、能符合预期的输入与输出的权重，现在还是由人工进行的。上一章中，我们结合与门、或门的真值表人工决定了合适的权重。神经网络的出现就是为了解决刚才的坏消息。具体地讲，神经网络的一个重要性质是它可以自动地从数据中学习到合适的权重参数。
2023-12-12 23:02:20
58
原创 深度学习入门：基于Python的理论与实现——第二章——感知机
但是，和实际的电流不同的是，感知机的信号只有“流/不流”（1/0）两种取值。具体的说，权重是控制输入信号重要性的参数，而偏置是调整神经元被激活的容易程度（输出信号为1的程度）的参数。用前面介绍的感知机是无法实现异或门的，因为感知机的局限性就在于它只能表示由一条直线分割的空间，而不能表示由曲线分割的空间。感知机的多个输入信号都有各自固有的权重，这些权重发挥着控制各个信号的重要性的作用。（1）异或门，也被称为逻辑异或电路，仅当x1或x2中的一方为1时，才会输出1（“异或”是拒绝其他的意思）。
2023-12-06 03:34:26
23
原创 深度学习入门：基于Python的理论与实现——第一章——python入门（Numpy、Matplotlib）
Numpy中，形状不同的数组之间也可以进行运算。如之前的2×2的矩阵A乘以标量10，可以看做标量10被扩展成了2×2的形状，然后再与矩阵A进行乘法运算，这个巧妙的功能称为广播。# 在numpy中，使用*运算符执行的是元素级别的乘法，而不是矩阵乘法。在刚才的sin函数图像中，尝试追加cos函数的图形，并尝试使用pyplot的添加标题和x轴标签名等其他功能。（5）方阵的乘幂，如A²=A×A（要求A的行数和列数相同，即A为方阵）（3）矩阵A乘以矩阵B，需要满足A的列数等于B的行数，否则无意义。
2023-12-06 02:24:12
24
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