![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习实验
文章平均质量分 93
Qutter
主要用于整理本科期间的一些笔记(很多内容距离其被写作可能已经很久,请见谅)。有时也会发布一些工作中遇到的一些问题。
展开
-
深度学习实验(三)
实验三 卷积神经网络 LeNet一、实验目的卷积综述互相关运算严格地说,卷积层所表达的运算可以被更准确地描述为互相关运算 (cross-correlation)。根据 中的描述,在卷积层中,输入张量和核张量通过(互相关运算)产生输出张量。首先,我们暂时忽略通道(第三维)这一情况,看看如何处理二维图像数据和隐藏表示。输入是高度为 333 、宽度为 333 的二维张量(即形状为 3×33 \times 33×3 )。卷积核的高度和宽度都是 222 ,而卷积核窗口(或卷积窗口)的形状由内核的高度和宽度原创 2021-11-10 21:58:59 · 1754 阅读 · 0 评论 -
深度学习实验(二)
实验二 多层感知机、欠拟合、过拟合一、实验目的多层感知机综述隐藏层首先,回想一下 softmax 回归的模型结构。该模型通过单个仿射变换将我们的输入直接映射到输出,然后进行 softmax 操作。如果我们的标签通过仿射变换后确实与我们的输入数据相关,那么这种方法就足够了。但是,仿射变换中的线性是一个很强的假设。线性模型可能会出错线性意味着单调假设:特征的任何增大都会导致模型输出增大(如果对应的权重为正),或者导致模型输出减少(如果对应的权重为负)。我们的数据可能会有一种表示,这种表示会考虑到我们原创 2021-11-09 22:12:07 · 1473 阅读 · 0 评论 -
深度学习实验(一)
线性回归与 softmax线性回归线性回归概要线性回归 (linear regression)在回归的各种标准工具中最简单而且最流行。它可以追溯到19世纪初。线性回归基于几个简单的假设:首先,假设自变量 x\mathbf{x}x 和因变量 yyy 之间的关系是线性的,即yyy可以表示为 x\mathbf{x}x 中元素的加权和,这里通常允许包含观测值的一些噪声;其次,我们假设任何噪声都比较正常,如噪声遵循正态分布。通常,我们使用 nnn 来表示数据集中的样本数。对索引为 iii 的样本,其输入表示为原创 2021-11-09 22:10:06 · 1364 阅读 · 0 评论