![](https://img-blog.csdnimg.cn/20210804201537948.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
人工智能
文章平均质量分 95
人工智能开发经验
PPPerry_1
这个作者很懒,什么都没留下…
展开
-
Proximal Policy Optimization (PPO) 算法理解:从策略梯度开始
零基础理解PPO算法原创 2023-03-14 16:58:22 · 11490 阅读 · 6 评论 -
【知识图谱综述】Knowledge Graphs: A Survey
关于知识图谱的综述,旨在帮助对知识图谱进行较全面的理解。原创 2022-10-10 20:25:37 · 2110 阅读 · 0 评论 -
人工智能系列实验(六)——梯度检验的Python实现
在实际的神经网络搭建过程中,前向传播是比较容易实现的,正确性较高;而反向传播的实现是有一定难度的,时常会出现bug。对于准确性要求很高的项目,梯度检验尤为重要。梯度检验的原理数学中对导数(梯度)的定义是∂J∂θ=limε→0J(θ+ε)−J(θ−ε)2ε\frac{\partial J}{\partial \theta} =\lim_{\varepsilon \to 0} \frac{J(\theta + \varepsilon) - J(\theta - \varepsilon)}{2\vare原创 2021-10-05 22:59:15 · 620 阅读 · 0 评论 -
人工智能系列实验(五)——正则化方法:L2正则化和dropout的Python实现
为了解决神经网络过拟合问题,相较于添加数据量的难度于开销,正则化应是我们的首选方法。本实验利用Python,分别实现了L2正则化和dropout两种方法。L2正则化L2正则化是解决过拟合的常用方法之一。实现L2正则化需要两步,分别是1.改变成本函数和2.改变反向传播时偏导数的计算。1. 在成本函数后加L2尾巴Jregularized=−1m∑i=1m(y(i)log(a[L](i))+(1−y(i))log(1−a[L](i)))⏟cross−entropy cost+1mλ2∑l∑k∑原创 2021-10-04 22:58:45 · 2642 阅读 · 2 评论 -
人工智能系列实验(四)——多种神经网络参数初始化方法对比(Xavier初始化和He初始化)
本实验利用Python,搭建了一个用于区分不同颜色区域的浅层神经网络。通过使用三种不同的初始化方法:全0初始化、随机初始化和He初始化,比较改变初始化方法对最终预测效果的影响。实验原理:为什么要初始化权重权重初始化的目的是防止在深度神经网络的正向传播过程中层激活函数的输出损失梯度出现爆炸或消失。如果发生任何一种情况,损失梯度太大或太小,就无法有效地向后传播,并且即便可以向后传播,网络也需要花更长时间来达到收敛。全0初始化全0初始化是最差的初始化方法,只适用于单神经元神经网络,如人工智能系列实验(一原创 2021-09-12 17:13:45 · 2173 阅读 · 1 评论 -
人工智能系列实验(三)——用于识别猫的二分类深度神经网络
本实验利用Python,搭建了一个用于识别猫的深度神经网络,最终实现在测试集上的准确率在80%以上。本实验的任务目标、数据集等与人工智能系列实验(一)完全相同。神经网络框架则从实验一的单神经网络提升至本实验的深度神经网络,进而对比深度神经网络对预测性能的提升。实验环境: python中numpy、matplotlib和h5py库import numpy as npimport matplotlib.pyplot as plt # 用于画图import h5py # 用于加载训练数据集训练样原创 2021-08-10 22:55:54 · 1501 阅读 · 1 评论 -
人工智能系列实验(二)——用于区分不同颜色区域的浅层神经网络
本实验利用Python,搭建了一个用于区分不同颜色区域的浅层神经网络。通过学习已有的点坐标及其对应颜色,从而绘制不同颜色区域的分界线,预测各个区域的颜色。实验环境: python中numpy、matplotlib和sklearn库import numpy as npimport matplotlib.pyplot as pltimport sklearn # 用于数据挖掘、数据分析和机器学习import sklearn.linear_model训练样本: 400个带颜色点的二维坐标测试样本原创 2021-08-09 22:28:59 · 1923 阅读 · 3 评论 -
人工智能系列实验(一)——用于识别猫的二分类单层神经网络
本实验利用Python,搭建了一个用于识别猫的简易神经网络,最终实现在测试集上的准确率在70%以上。实验环境: python中numpy、matplotlib、h5py和skimage库训练样本: 209张64*64的带标签图片测试样本: 50张64*64的带标签图片关于本实验中所用数据集与完整代码详见:https://github.com/PPPerry/AI_projects中的cats-identification部分实现神经网络模型如下:...原创 2021-08-04 23:54:18 · 1954 阅读 · 5 评论