深度学习方法——实验1：深度学习基础实验

已于 2022-03-26 21:42:19 修改
阅读量2.7k 收藏 10
点赞数 2
分类专栏： 深度学习笔记 文章标签： 深度学习 python sklearn
于 2022-02-26 22:21:10 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_50571974/article/details/123153088
版权

文章目录

一、实验要求

在计算机上验证和测试多层神经网络针对不同数据集的训练效果，同时查阅相关资料。

二、实验目的

1、掌握sklearn开发环境

2、掌握sklearn.neural_network 下的神经网络分类器 MLPClassifier；

3、掌握sklearn.linear_model 下的感知机分类器Perceptron；

  • 从sklearn导入感知机（单层神经网络）分类器与（多层）神经网络分类器
from sklearn import datasets
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import Perceptron      #感知机
from sklearn.neural_network import MLPClassifier #多层神经网络

from warnings import simplefilter
simplefilter(action='ignore', category=FutureWarning)

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus']=False          #用来正常显示负号
  • 自定义分界线绘制函数
#X只有2个特征,画边界线
def plot_decision_boundary(model, X, y):
	x0_min, x0_max = X[:,0].min()-1, X[:,0].max()+1
	x1_min, x1_max = X[:,1].min()-1, X[:,1].max()+1
	x0, x1 = np.meshgrid(np.linspace(x0_min, x0_max, 100), np.linspace(x1_min, x1_max, 100))
	Z = model.predict(np.c_[x0.ravel(), x1.ravel()]) 
	Z = Z.reshape(x0.shape)
      
	plt.contourf(x0, x1, Z, cmap=plt.cm.Spectral)
	plt.ylabel('x1')
	plt.xlabel('x0')
	plt.scatter(X[:, 0], X[:, 1], c=np.squeeze(y))

三、实验内容

1.针对四种数据集，对比多层神经网络的分类效果

请针对如下四种数据集，对比2层隐藏层下不同神经元个数（2，2），（5，5），（10，10）以及4层神经网络（2，2，2，2），（5，5，5，5），（10，10，10，10），对比分类效果，以及每个模型的迭代次数和训练时间，然后给出分析结论。

#1.基本数据集
np.random.seed(0)
X1,y1 = datasets.make_blobs(n_samples=1000, n_features=2, centers=2, cluster_std=1)
#2.太极数据集
X2,y2 = datasets.make_moons(n_samples=1000,noise=0.2,random_state=666)
#3.圆环数据集
X3,y3 = datasets.make_circles(n_samples=1000,factor=0.6,noise=0.2)
#4.异或数据集
np.random.seed(15)
X4 = np.random.randn(1000, 2)
y4 = np.logical_xor(X4[:, 0] > 0, X4[:, 1] > -0.0)

plt.figure(figsize=(10,10))
plt.subplot(2,2,1)
plt.scatter(X1[y1==0,0],X1[y1==0,1])
plt.scatter(X1[y1==1,0],X1[y1==1,1])
plt.subplot(2,2,2)
plt.scatter(X2[y2==0,0],X2[y2==0,1])
plt.scatter(X2[y2==1,0],X2[y2==1,1])
plt.subplot(2,2,3)
plt.scatter(X3[y3==0,0],X3[y3==0,1])
plt.scatter(X3[y3==1,0],X3[y3==1,1])
plt.subplot(2,2,4)
plt.scatter(X4[y4==0,0],X4[y4==0,1])
plt.scatter(X4[y4==1,0],X4[y4==1,1])

四个数据集

1.1观察两层，每层两个神经元效果：

MLP_clf1 = MLPClassifier(hidden_layer_sizes = (2,2),max_iter = 2000)
#输出用时
%time MLP_clf1.fit(X1,y1)
#输出最大迭代次数
print(MLP_clf1.n_iter_)

MLP_clf2 = MLPClassifier(hidden_layer_sizes = (2,2),max_iter = 2000)
#输出用时
%time MLP_clf2.fit(X2,y2)
#输出最大迭代次数
print(MLP_clf2.n_iter_)

MLP_clf3 = MLPClassifier(hidden_layer_sizes = (2,2),max_iter = 2000)
#输出用时
%time MLP_clf3.fit(X3,y3)
#输出最大迭代次数
print(MLP_clf3.n_iter_)

MLP_clf4 = MLPClassifier(hidden_layer_sizes = (2,2),max_iter = 2000)
#输出用时
%time MLP_clf4.fit(X4,y4)
#输出最大迭代次数
print(MLP_clf4.n_iter_)

plt.figure(figsize=(10,10))
plt.subplot(2,2,1)
plot_decision_boundary(MLP_clf1,X1, y1)
plt.subplot(2,2,2)
plot_decision_boundary(MLP_clf2,X2, y2)
plt.subplot(2,2,3)
plot_decision_boundary(MLP_clf3,X3, y3)
plt.subplot(2,2,4)
plot_decision_boundary(MLP_clf4,X4, y4)

迭代次数1分界线绘制1

1.2观察两层，每层五个神经元效果：

MLP_clf1 = MLPClassifier(hidden_layer_sizes = (5,5),max_iter = 2000)
#输出用时
%time MLP_clf1.fit(X1,y1)
#输出最大迭代次数
print(MLP_clf1.n_iter_)

MLP_clf2 = MLPClassifier(hidden_layer_sizes = (5,5),max_iter = 2000)
#输出用时
%time MLP_clf2.fit(X2,y2)
#输出最大迭代次数
print(MLP_clf2.n_iter_)

MLP_clf3 = MLPClassifier(hidden_layer_sizes = (5,5),max_iter = 2000)
#输出用时
%time MLP_clf3.fit(X3,y3)
#输出最大迭代次数
print(MLP_clf3.n_iter_)

MLP_clf4 = MLPClassifier(hidden_layer_sizes = (5,5),max_iter = 2000)
#输出用时
%time MLP_clf4.fit(X4,y4)
#输出最大迭代次数
print(MLP_clf4.n_iter_)

plt.figure(figsize=(10,10))
plt.subplot(2,2,1)
plot_decision_boundary(MLP_clf1,X1, y1)
plt.subplot(2,2,2)
plot_decision_boundary(MLP_clf2,X2, y2)
plt.subplot(2,2,3)
plot_decision_boundary(MLP_clf3,X3, y3)
plt.subplot(2,2,4)
plot_decision_boundary(MLP_clf4,X4, y4)

迭代次数2分界线绘制2

1.3观察两层，每层十个神经元效果：

MLP_clf1 = MLPClassifier(hidden_layer_sizes = (10,10),max_iter = 2000)
#输出用时
%time MLP_clf1.fit(X1,y1)
#输出最大迭代次数
print(MLP_clf1.n_iter_)

MLP_clf2 = MLPClassifier(hidden_layer_sizes = (10,10),max_iter = 2000)
#输出用时
%time MLP_clf2.fit(X2,y2)
#输出最大迭代次数
print(MLP_clf2.n_iter_)

MLP_clf3 = MLPClassifier(hidden_layer_sizes = (10,10),max_iter = 2000)
#输出用时
%time MLP_clf3.fit(X3,y3)
#输出最大迭代次数
print(MLP_clf3.n_iter_)

MLP_clf4 = MLPClassifier(hidden_layer_sizes = (10,10),max_iter = 2000)
#输出用时
%time MLP_clf4.fit(X4,y4)
#输出最大迭代次数
print(MLP_clf4.n_iter_)

plt.figure(figsize=(10,10))
plt.subplot(2,2,1)
plot_decision_boundary(MLP_clf1,X1, y1)
plt.subplot(2,2,2)
plot_decision_boundary(MLP_clf2,X2, y2)
plt.subplot(2,2,3)
plot_decision_boundary(MLP_clf3,X3, y3)
plt.subplot(2,2,4)
plot_decision_boundary(MLP_clf4,X4, y4)

迭代次数3分界线次数3

1.4观察四层，每层两个神经元效果：

MLP_clf1 = MLPClassifier(hidden_layer_sizes = (2,2,2,2),max_iter = 2000)
#输出用时
%time MLP_clf1.fit(X1,y1)
#输出最大迭代次数
print(MLP_clf1.n_iter_)

MLP_clf2 = MLPClassifier(hidden_layer_sizes = (2,2,2,2),max_iter = 2000)
#输出用时
%time MLP_clf2.fit(X2,y2)
#输出最大迭代次数
print(MLP_clf2.n_iter_)

MLP_clf3 = MLPClassifier(hidden_layer_sizes = (2,2,2,2),max_iter = 2000)
#输出用时
%time MLP_clf3.fit(X3,y3)
#输出最大迭代次数
print(MLP_clf3.n_iter_)

MLP_clf4 = MLPClassifier(hidden_layer_sizes = (2,2,2,2),max_iter = 2000)
#输出用时
%time MLP_clf4.fit(X4,y4)
#输出最大迭代次数
print(MLP_clf4.n_iter_)

plt.figure(figsize=(10,10))
plt.subplot(2,2,1)
plot_decision_boundary(MLP_clf1,X1, y1)
plt.subplot(2,2,2)
plot_decision_boundary(MLP_clf2,X2, y2)
plt.subplot(2,2,3)
plot_decision_boundary(MLP_clf3,X3, y3)
plt.subplot(2,2,4)
plot_decision_boundary(MLP_clf4,X4, y4)

迭代次数4分界线绘制4
分析：

出现了不收敛的错误分类现象，原因见实验总结。

1.5观察四层，每层五个神经元效果：

MLP_clf1 = MLPClassifier(hidden_layer_sizes = (5,5,5,5),max_iter = 2000)
#输出用时
%time MLP_clf1.fit(X1,y1)
#输出最大迭代次数
print(MLP_clf1.n_iter_)

MLP_clf2 = MLPClassifier(hidden_layer_sizes = (5,5,5,5),max_iter = 2000)
#输出用时
%time MLP_clf2.fit(X2,y2)
#输出最大迭代次数
print(MLP_clf2.n_iter_)

MLP_clf3 = MLPClassifier(hidden_layer_sizes = (5,5,5,5),max_iter = 2000)
#输出用时
%time MLP_clf3.fit(X3,y3)
#输出最大迭代次数
print(MLP_clf3.n_iter_)

MLP_clf4 = MLPClassifier(hidden_layer_sizes = (5,5,5,5),max_iter = 2000)
#输出用时
%time MLP_clf4.fit(X4,y4)
#输出最大迭代次数
print(MLP_clf4.n_iter_)

plt.figure(figsize=(10,10))
plt.subplot(2,2,1)
plot_decision_boundary(MLP_clf1,X1, y1)
plt.subplot(2,2,2)
plot_decision_boundary(MLP_clf2,X2, y2)
plt.subplot(2,2,3)
plot_decision_boundary(MLP_clf3,X3, y3)
plt.subplot(2,2,4)
plot_decision_boundary(MLP_clf4,X4, y4)

迭代次数5分界线绘制5

1.6观察四层，每层十个神经元效果：

MLP_clf1 = MLPClassifier(hidden_layer_sizes = (10,10,10,10),max_iter = 2000)
#输出用时
%time MLP_clf1.fit(X1,y1)
#输出最大迭代次数
print(MLP_clf1.n_iter_)

MLP_clf2 = MLPClassifier(hidden_layer_sizes = (10,10,10,10),max_iter = 2000)
#输出用时
%time MLP_clf2.fit(X2,y2)
#输出最大迭代次数
print(MLP_clf2.n_iter_)

MLP_clf3 = MLPClassifier(hidden_layer_sizes = (10,10,10,10),max_iter = 2000)
#输出用时
%time MLP_clf3.fit(X3,y3)
#输出最大迭代次数
print(MLP_clf3.n_iter_)

MLP_clf4 = MLPClassifier(hidden_layer_sizes = (10,10,10,10),max_iter = 2000)
#输出用时
%time MLP_clf4.fit(X4,y4)
#输出最大迭代次数
print(MLP_clf4.n_iter_)

plt.figure(figsize=(10,10))
plt.subplot(2,2,1)
plot_decision_boundary(MLP_clf1,X1, y1)
plt.subplot(2,2,2)
plot_decision_boundary(MLP_clf2,X2, y2)
plt.subplot(2,2,3)
plot_decision_boundary(MLP_clf3,X3, y3)
plt.subplot(2,2,4)
plot_decision_boundary(MLP_clf4,X4, y4)

迭代次数6分界线绘制6

结论：

经过对比发现，当增加每个隐藏层的神经元数量和增加神经网络隐藏层数时，都对分类的精细度起到了提升作用；但要注意，当神经元数或隐藏层数过大时，对划分的精细度提升效果不大，反而会带来过拟合风险。

2.针对太极数据集，但是噪声程度不一样

针对不同噪声下的太极数据集，对比2层隐藏层下不同神经元个数（2，2），（5，5），（10，10）以及4层神经元（2，2，2，2），（5，5，5，5），（10，10，10，10），对比分类效果，以及每个模型的迭代次数和训练时间，然后给出分析结论。

#2.太极数据集
X5,y5 = datasets.make_moons(n_samples=1000,noise=0.1,random_state=666)
X6,y6 = datasets.make_moons(n_samples=1000,noise=0.3,random_state=666)

plt.figure(figsize=(10,4))
plt.subplot(1,2,1)
plt.scatter(X5[y5==0,0],X5[y5==0,1])
plt.scatter(X5[y5==1,0],X5[y5==1,1])

plt.subplot(1,2,2)
plt.scatter(X6[y6==0,0],X6[y6==0,1])
plt.scatter(X6[y6==1,0],X6[y6==1,1])

太极数据集

2.1观察两层，每层两个神经元效果：

MLP_clf5 = MLPClassifier(hidden_layer_sizes = (2,2),max_iter = 2000)
#输出用时
%time MLP_clf5.fit(X5,y5)
#输出最大迭代次数
print(MLP_clf5.n_iter_)

MLP_clf6 = MLPClassifier(hidden_layer_sizes = (2,2),max_iter = 2000)
#输出用时
%time MLP_clf6.fit(X6,y6)
#输出最大迭代次数
print(MLP_clf6.n_iter_)

plt.figure(figsize=(10,4))
plt.subplot(1,2,1)
plot_decision_boundary(MLP_clf5,X5, y5)
plt.subplot(1,2,2)
plot_decision_boundary(MLP_clf6,X6, y6)

迭代次数和分界线1

2.2观察两层，每层五个神经元效果：

MLP_clf5 = MLPClassifier(hidden_layer_sizes = (5,5),max_iter = 2000)
#输出用时
%time MLP_clf5.fit(X5,y5)
#输出最大迭代次数
print(MLP_clf5.n_iter_)

MLP_clf6 = MLPClassifier(hidden_layer_sizes = (5,5),max_iter = 2000)
#输出用时
%time MLP_clf6.fit(X6,y6)
#输出最大迭代次数
print(MLP_clf6.n_iter_)

plt.figure(figsize=(10,4))
plt.subplot(1,2,1)
plot_decision_boundary(MLP_clf5,X5, y5)
plt.subplot(1,2,2)
plot_decision_boundary(MLP_clf6,X6, y6)

迭代次数和分界线2

2.3观察两层，每层十个神经元效果：

MLP_clf5 = MLPClassifier(hidden_layer_sizes = (10,10),max_iter = 2000)
#输出用时
%time MLP_clf5.fit(X5,y5)
#输出最大迭代次数
print(MLP_clf5.n_iter_)

MLP_clf6 = MLPClassifier(hidden_layer_sizes = (10,10),max_iter = 2000)
#输出用时
%time MLP_clf6.fit(X6,y6)
#输出最大迭代次数
print(MLP_clf6.n_iter_)

plt.figure(figsize=(10,4))
plt.subplot(1,2,1)
plot_decision_boundary(MLP_clf5,X5, y5)
plt.subplot(1,2,2)
plot_decision_boundary(MLP_clf6,X6, y6)

迭代次数和分界线3

2.4观察四层，每层两个神经元效果：

MLP_clf5 = MLPClassifier(hidden_layer_sizes = (2,2,2,2),max_iter = 2000)
#输出用时
%time MLP_clf5.fit(X5,y5)
#输出最大迭代次数
print(MLP_clf5.n_iter_)

MLP_clf6 = MLPClassifier(hidden_layer_sizes = (2,2,2,2),max_iter = 2000)
#输出用时
%time MLP_clf6.fit(X6,y6)
#输出最大迭代次数
print(MLP_clf6.n_iter_)

plt.figure(figsize=(10,4))
plt.subplot(1,2,1)
plot_decision_boundary(MLP_clf5,X5, y5)
plt.subplot(1,2,2)
plot_decision_boundary(MLP_clf6,X6, y6)

迭代次数和分界线4-1
迭代次数和分界线4-2

分析：

出现了不收敛的错误分类现象，重复实验可以发现不是每次都会出现该现象，原因见实验总结。

2.5观察四层，每层五个神经元效果：

MLP_clf5 = MLPClassifier(hidden_layer_sizes = (2,2,2,2),max_iter = 2000)
#输出用时
%time MLP_clf5.fit(X5,y5)
#输出最大迭代次数
print(MLP_clf5.n_iter_)

MLP_clf6 = MLPClassifier(hidden_layer_sizes = (2,2,2,2),max_iter = 2000)
#输出用时
%time MLP_clf6.fit(X6,y6)
#输出最大迭代次数
print(MLP_clf6.n_iter_)

plt.figure(figsize=(10,4))
plt.subplot(1,2,1)
plot_decision_boundary(MLP_clf5,X5, y5)
plt.subplot(1,2,2)
plot_decision_boundary(MLP_clf6,X6, y6)

迭代次数和分界线5

2.6观察四层，每层十个神经元效果：

MLP_clf5 = MLPClassifier(hidden_layer_sizes = (5,5,5,5),max_iter = 2000)
#输出用时
%time MLP_clf5.fit(X5,y5)
#输出最大迭代次数
print(MLP_clf5.n_iter_)

MLP_clf6 = MLPClassifier(hidden_layer_sizes = (5,5,5,5),max_iter = 2000)
#输出用时
%time MLP_clf6.fit(X6,y6)
#输出最大迭代次数
print(MLP_clf6.n_iter_)

plt.figure(figsize=(10,4))
plt.subplot(1,2,1)
plot_decision_boundary(MLP_clf5,X5, y5)
plt.subplot(1,2,2)
plot_decision_boundary(MLP_clf6,X6, y6)

迭代次数和分界线6

结论：

通过上面实验同样可以看出，神经元数的增加能够有效地提高边界划分的精度；而深层的神经网络又可以通过特征的补充来让边界更加灵活且适应复杂情况，拟合效果也有所提升；
并且我们可以看到当只是提升隐藏层数而没有提升每层神经元数量时，很容易出现错误情况，即过多的层数导致函数出现不收敛。

四、实验总结

  • 异常情况：
    在四隐藏层且每层两个神经元时出现了明显的不收敛现象，这既不属于欠拟合也不属于过拟合，这两种情况是模型对训练集学习的效果不好；而不收敛可以理解为模型根本没有学到，不能说效果好不好；
  • 分析原因：
    神经网络在进行训练集训练时，其实是在用已知的样本数据计算模型最佳参数，即权重ω与偏置量b，而上述的迭代次数则是利用梯度下降法找寻稳定的最佳参数时所迈的“步数”；不收敛现象我们可以解释为模型最终的参数没有趋于稳定，为什么在神经元数较多时不会出现这一现象，目前分析是因为模型在每一个隐藏层有足够多数量的权重值可以平衡某一异常权重，此时最终权重值不易出现错误。（后续深入学习将更新）
  • 结语：
    通过本次实验，学生了解了神经网络基本的实现与应用，并且知道了神经元数量与隐藏层数对神经网络模型的影响，收获颇丰。
时生丶
关注
  • 2
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
深度学习实验报告+代码
11-15
深度学习实验报告+代码 实验内容： 1、实验一：深度学习环境配置 2、实验二：特征数据集制作和PR曲线 3、实验三：线性回归及拟合 4、实验四：卷积神经网络应用 5、实验五：生成对抗式网络应用
深度学习——基于TensorFlow的生成模型实验
L_superhero的博客
06-03 662
TensorFlow模型
深度学习本科课程 实验4 卷积神经网络
2301_76616273的博客
02-04 966
# 二维卷积实验 ## 1.1 任务内容 1. 手写二维卷积的实现，并在至少一个数据集上进行实验，从训练时间、预测精 度、Loss变化等角度分析实验结果（最好使用图表展示）（只用循环几轮即可） 2. 使用torch.nn实现二维卷积，并在至少一个数据集上进行实验，从训练时间、 预测精度、Loss变化等角度分析实验结果（最好使用图表展示） 3. 不同超参数的对比分析（包括卷积层数、卷积核大小、batchsize、lr等）选其 中至少1-2个进行分析
人工智能：深度学习算法及应用——简单理解CNN卷积神经网络并python实现（带源码）
热门推荐
weixin_43973089的博客
04-20 1万+
实验四：深度学习算法及应用一、 实验目的二、 实验要求三、 实验的硬件、软件平台四、 实验原理1.1. 深度学习概述1.2. 深度学习的常见结构1.3. 卷积神经网络（CNN）**卷积****池化**全连接网络1.4. 卷积神经网络的大致结构1.5. 参数学习五、 实验内容与步骤1. 深度学习工具安装1.1. 使用pip命令安装tensorflow-gpu 1.9.01.2. 下载安装CUDA Toolkit 9.01.3. 下载cuDDN7.1.43. CNN设计4. 具体实现**最后，主要的学习过程如下
基于Pytorch的深度学习实验报告
01-25
基于Pytorch的深度学习实验报告通常包括以下几个部分： 摘要（Abstract）：简要介绍实验的目的、方法、主要结果和结论。 引言（Introduction）：介绍实验的背景知识，包括深度学习的基本概念、Pytorch框架的特点以及实验的动机和意义。 相关工作（Related Work）：回顾与实验相关的研究工作，包括深度学习在其他领域的应用、Pytorch在类似任务上的表现等。 实验设计（Experimental Design）：详细介绍实验的方法和步骤，包括数据集的选择、预处理、模型结构、训练策略等。 实验结果（Experimental Results）：展示实验的结果，包括模型的训练过程、验证集和测试集上的表现、与其他方法的对比等。可以使用表格、图表等形式进行可视化展示。 讨论（Discussion）：分析实验结果，探讨模型的优点和不足，提出可能的改进方向。 结论（Conclusion）：总结实验的主要发现和贡献，指出未来的研究方向。 参考文献（References）：列出实验报告中引用的相关文献。 附录（Appendix）：提供实验的补充材料，如代码实现、
中国科学院大学深度学习课程实验作业——手写数字识别（代码+实验报告）
01-14
手写数字识别是机器学习的经典任务之一，本文设计了一种简单的卷积神经网络(CNN)来完成手写数字识别任务，并采用pytorch框架搭建，其准确率在测试集高达99%，取得了不错的效果。
【深度学习应用】入门实验：PR-曲线、线性回归、卷积神经网络、GAN生成式对抗神经网络
欢迎来到代码骑士的秘密基地
11-16 3241
本人是深度学习初学者，为了加强对深度学习的认识和应用，从网上搜集了几个实验和代码，个人感觉对小白很有帮助，现与大家分享。代码原文链接均已在博客中标注。学习资料：环境配置就是你在一个什么样的环境下敲代码做实验，我总结了两种环境，下面一一介绍给大家。 在本机上配置深度学习实验环境有两种方法： 用法：命令行(cmd)+交互式笔记本(Jupyter) 特点：简单方便个人比较推荐。 a、安装Anaconda
深度学习部分实验(粗略)
Yale的博客
05-27 874
近一个月在做实验的时候光顾着截图一个最后的结果，没有给保留代码等，这篇博客里是最近一个月做的一些小实验。后续发实验类的博客的时候尽量把必要背景知识、代码等加上。这次就先勉强看看吧 在生成领域，自编码器是GAN的前身，今天用VAE在MNIST做了生成实验，图1是10个class到latent space的投影，从投影就可以看出，同一类会尽量分在一起，说明latent space是很好的表示。图2是解码器输出的情况。整个流程就是图像-》编码器-》采用-》解码器-》图像 图一 图二 另外今天在跑实验的时候由于
深度学习实验一
weixin_46178148的博客
07-27 2564
深度学习实验一
深度学习实验（三）
qq_44458671的博客
11-10 1537
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
【深度学习】实验流程-语义分割框架
zhe470719的博客
05-08 1392
这里写目录标题笔记参考常见的Research workflowswin做backbone实验方法 笔记参考 1.【干货】深度学习实验流程及PyTorch提供的解决方案 常见的Research workflow 某一天, 你坐在实验室的椅子上, 突然: 你脑子里迸发出一个idea 你看了关于某一theory的文章, 想试试:　要是把xx也加进去会怎么样 你老板突然给你一张纸, 然后说: 那个谁, 来把这个东西实现一下 于是, 你设计了实验流程, 并为这一idea 挑选了合适的数据集和运行环境, 然后你废寝忘食
深度学习 实验六 风格转换
03-23
中国传媒大学 深度学习课程实验 VGG19风格转化
人工智能实战——从Python入门到机器学习资料大全.zip
06-04
包含：Python 基础教程、10个编程技巧、Python高级编程、优化算法、实例学习Numpy与Matplotlib、实例学习pandas、机器学习、深度学习、梯度下降、实验等等等等人工智能实战——从Python入门到机器学习资料大全。...
增强型深度确定策略梯度算法
01-14
该算法在深度确定策略梯度算法的基础上，重新构建两个新的样本池——多样性样本池和高误差样本池。在算法执行过程中，训练样本分别从多样性样本池和高误差样本池按比例选取，以兼顾样本多样性以及样本价值信息，提高...
机器学习-04. 逻辑回归详解和应用（上）
07-16
人工智能基础视频教程零基础入门课程 第四章（上） 人工智能基础视频教程零基础入门课程，不需要编程基础即可学习，共15章，由于整体课程内容太大，无法一次传输，分章节上传。...十五章 Keras深度学习框架
人工智能项目资料-2017全国高校云计算应用创新大赛命题赛二--基于容器云的深度学习之tensorflow线下实验.zip
02-02
更有深度学习、机器学习、自然语言处理和计算机视觉的实战项目源码，助您从理论走向实践，如果您已有一定基础，您可以基于这些源码进行修改和扩展，实现更多功能。 【期待与您同行】 我们真诚地邀请您下载并使用...
循环神经网络实例——序列预测
weixin_42255757的博客
04-22 1004
本文主要以01序列预测为例讲解了循环神经网络的运行过程，特别是Embedding层的处理过程。
【yolov5&yolov7&yolov8火焰和烟雾检测】
最新发布
小秋的博客
04-22 1150
1、YOLOv3训练好的火焰烟雾检测模型，包括yolov3-fire_smoke.pt和yolov3_tiny-fire_smoke.pt两个训练好的模型，并包含几百张标注好的火焰和烟雾数据集，标签格式为xml和txt两种，类别名为fire和smoke，YOLOv5训练好的火焰检测模型，并包含2000张标注好的火焰和烟雾数据集，标签格式为xml和txt两种，类别名为fire，2、采用pytrch框架，代码是python的。采用pytrch框架，代码是python的。YOLOv5训练好的模型+pyqt界面。
深度学习从入门到精通—Transformer
swpucwf的博客
04-22 1043
梯度消失和梯度爆炸：这是RNN最主要的问题。由于序列的长距离依赖，当错误通过层传播时，梯度可以变得非常小（消失）或非常大（爆炸），这使得网络难以学习。计算效率低：RNN由于其递归性质，必须按序列顺序执行计算，这限制了计算的并行性。对于长序列，这会导致训练过程非常慢。难以捕捉长距离依赖：尽管理论上RNN能够处理任何长度的序列，但在实践中，它们往往难以学习到输入序列中的长距离依赖关系。
机器学习实验三:深度学习物体检测q&a
10-23
深度学习物体检测是机器学习的一个重要研究领域。它主要利用深度神经网络来识别和定位图像中的物体。 深度学习物体检测通常包括两个主要任务：分类和定位。分类任务是指识别图像中的物体属于哪个类别，而定位任务是指确定物体在图像中的位置和边界框。 深度学习物体检测的流程一般包括以下几个步骤。首先，需要收集和标记大量包含物体的图像数据集。然后，利用这些数据集来训练深度神经网络。在训练过程中，网络会通过多次迭代来调整权重和参数，以使得网络能够更好地识别和定位物体。训练完成后，我们可以使用网络对新的图像进行物体检测。 在深度学习物体检测中，一种常用的网络结构是卷积神经网络（Convolutional Neural Network，CNN）。CNN可以通过多层卷积和池化操作来提取图像的特征。在物体检测任务中，通常会在网络的最后添加额外的全连接层和边界框回归层，来进行物体类别的分类和位置定位。 常见的深度学习物体检测算法包括：R-CNN（Region-based Convolutional Neural Networks）、Fast R-CNN、Faster R-CNN和YOLO（You Only Look Once）等。这些算法在准确率和速度上各有优劣，可以根据具体的应用场景选择合适的算法。 深度学习物体检测在图像处理、计算机视觉和自动驾驶等领域有着广泛的应用。它可以帮助我们准确地识别和定位图像中的物体，从而实现自动化的目标检测和跟踪。随着硬件和算法的不断发展，深度学习物体检测的性能和效率也在不断提升，为实际应用提供了更多可能性。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值