- 博客(5)
- 收藏
- 关注
RSS订阅原创 《白话机器学习的数学》第五章自用笔记（下）
三，正则化5.5.1确认训练数据以下面的函数为例我们像其加入了一些噪声的训练数据，将其画成图：代码如图：import numpy as npimport matplotlib.pyplot as plt#真正的函数def g(x): return 0.1*(x**3+x**2+x)#随机准备一些向真正的函数加入一些噪声train_x=np.linspace(-2,2,8)train_y=g(train_x)+np.random.randn(train_x.siz
2023-07-19 20:03:24
55
原创 《白话机器学习的数学》第五章自用笔记（中）
(我们可以发现y值有+1，-1的区别，我们选择用原点表示y=1的数据，用叉号表示y=-1的数据。for _ in range(epoch):输出日志来展示。假设重复次数是10次，不断更新w的值，运用for循环。由于参数为w所以进行w的初始化。并进行判别式的定义。对于建立的模型我们输入两组图像的像素来判断。画一条直线来使权重向量变为法线向量。5,3,2感知机的实现。5.3.1确定训练数据。可以看到效果比较好。
2023-07-18 22:10:06
167
原创 《白话机器学习的数学》第五章自用笔记（上）
random.permutation(x.shape[0]) 可以用于随机打散训练数据,同时保持训练数据与标签的对齐。theta = np.random.rand()时，应该将theta初始化一个三维向量才可以与x向量对应相乘。此外由于训练数据有很多，所以我们选择用一行数据来作为一个训练数据，用矩阵来表达。3.在对应项目的文件夹中新建名为click.csv的文件，便于之后的引入。如图所示，点击文件，项目，点击图片中的加号搜索安装即可。为了更加直观的看到训练过程中的方差的变化，我们选择。
2023-07-18 18:02:19
122
原创 深度学习自用笔记之神经网络基础（上）
例子是猫，x为图片的输入，个数是输出，此时的神经网络需要有red，green,blue的三个矩阵信息，如果图片是64*64则矩阵就是64*64的矩阵，接下来把它们取出放到特征向量中，x的维度如图。梯度下降法所能做的就是从初始点开始：朝最陡的下坡方向走一步，在梯度下降之后或许在那停下，因为正试图沿着最快下降的方向，向下走。最后补充：损失函数是在单个训练样本中定义的，我们需要找到合适的参数w和b，来让成本函数J尽可能的小。Sigmod函数图像如图，此时图像中的x即（w的转置*x+b），图像中的y为y冒。
2023-07-11 19:37:49
50
原创 1.深度学习自用笔记之深度学习概述
在图像领域，经常使用的是卷积神经网络（CNN），对于序列数据，比如音频中的时间成分，使用循环神经网络（RNN），语言大部分也是序列数据，再比如更复杂的可能是混合的神经网络结构。m表示训练集的规模，或者说训练样本的数量，（递增区间）最终的性能更多取决于手工设计组件的技能，（在训练集最后庞大的时候）我们才能见到神经网络。值得注意的是，只要给他足够的x,y 可以自行计算关于x,y的精准映射函数，这就是一个基本的神经网络。规模一直在推动深度学习的进步。（规模不仅是神经网络的规模（神经元，连接等），还有数据的规模）
2023-07-10 19:33:01
61
1
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