- 博客(4)
- 收藏
- 关注
RSS订阅原创 神经网络与深度学习-4
NLP：自然语言处理是人工智能领域的一个重要分支，旨在让计算机理解、生成和翻译人类语言。对于一些序列输入的信息，例如语音、语言等，不同时刻之间的输入存在相互的影响，需要一种模型能够“记忆”历史输入的信息，进而对整个序列进行完整的特征提取和表征。循环神经网络就是面对这样的需求提出来的，它能够“记忆”序列输入的历史信息，从而能够较好的对整个序列进行语义建模。目前，RNN及其变种在NLP领域有着广泛的应用。语音识别、对话系统、机器翻译、情感分析等等领域，在产业界，RNN及其变种都是最主要的特征提取工具。
2024-04-26 19:03:34
857
原创 神经网络与深度学习-3
混淆矩阵：计算：Precision/Recall曲线也叫做P-R曲线，其代表的是精准率（查准率）与召回率（查全率）的关系，Precision与Recall是一对矛盾的变量。如下图所示：调整阈值可改变准确率或召回值。PR曲线下的面积就定义为AP，由于计算积分相对困难，因此引入插值法，计算AP公式如下：其中𝑁代表测试集中所有图片的个数，𝑃(𝑘)表示在能识别出𝑘个图片的时候 Precision的值，而 Δ𝑟(𝑘)则表示识别图片个数从𝑘 − 1变化到𝑘。
2024-04-19 12:25:15
682
原创 神经网络与深度学习-2
现在我要识别一个带数字的图像（比如是3），得到其中的数字是几，考虑：把0—9分别跟图像对照，得到一组概率，概率最大的对应数字就是结果，这组概率是如何计算的呢？这就涉及到了特征值与特征提取。对于全连接网络，权值过多，计算慢，难收敛，同时可能进入局部极小值，也容易产生过拟合问题，为解决该问题，使用局部连接网络，在上层提取特征的基础上获取进行再处理，得到更高级别的特征。
2024-04-07 18:08:28
743
原创 神经网络与深度学习—1
线性回归的方法在大量领域都有应用，简单来说，问题就是：已知多组（x,y），在这些已知数据基础上，拟合出一个函数，这样我们给出一个x（不在已知数据中），就能利用该函数算出对y值的估计量。我们在利用训练集训练模型时，一般训练次数越多，模型越准确，但随着次数增加，有时模型的准确度不再改变，原因是每次梯度下降都使模型向一个弹性球在U型槽里左右撞击，就是到不了槽底，即损失函数的值到不了最优值。分类问题，即对多组数据进行分类，二分类问题：如下图，一条直线将圆形点与叉分类，求解模型计算对于数据（x,y）属于两类的概率。
2024-03-29 21:53:15
634
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