- 博客(12)
- 收藏
- 关注
RSS订阅原创 人工智能第十一次作业
当按照链式法则，利用反向传播，对导数取值在0-1之间的激活函数求导，例如:tanh函数，计算梯度时，由于tanh函数的导数取值位于0-1之间，对于长序列，若多个0到1区间的小数相乘，会使得参数求导结果很小，从而引发梯度消失。卷积神经网络的输入数据是空间数据，且输入数据是独立的，输入的大小是固定的，经常用在计算机视觉方面；而循环神经网络的输入数据是序列数据，输入数据是相关的，变长的输入序列，通常用于自然语言处理方面。a.每次输入都是独立的，只依赖于当前的输入，因此没有记忆能力，无法处理时序数据。
2023-05-30 22:02:31
47
原创 AI作业10
网络中使用了小尺寸的3x3卷积核和池化操作来实现卷积和下采样，同时通过堆叠多个卷积层和非线性激活函数来增加网络的深度。Inception模块引入了1x1卷积层来降低计算复杂度和网络参数量，GoogLeNet是由Google公司开发的一种深层卷积神经网络模型，使用了多个Inception来提高网络的效率和准确性，因此又被称为Inception v1，每个Inception模块由多个并行的卷积层和池化层组成，以允许网络同时学习多个尺度的特征信息。ResNet是一种深度神经网络，它的结构是通过残差连接构建的。
2023-05-21 21:43:43
61
原创 AI作业8
高级特征则是指基于中级特征构建的更加抽象和复杂的特征，如物体的部件、结构、语义等，这些特征能够更好地描述物体的高层次语义信息，因此对于更加复杂的任务（如目标检测、语义分割等）的效果会更好。低级特征通常指一些较为基础的、直接从原始数据中提取的特征，如颜色、纹理、边缘等，它们通常对于物体的分类或识别任务并不十分有效，但是可以作为中级特征的基础。中级特征则是指基于低级特征构建的一些更高层次的特征，如形状、轮廓、纹理组合等，这些特征能够更好地描述物体的形态和结构，因此对于分类或识别任务的效果会更好。
2023-05-14 12:52:37
22
原创 AI作业7-卷积
背后的原理是，不同的卷积核可以提取不同的特征响应，这些响应可以组合成更高层次的特征表示。通常情况下，更大的卷积核可以提取更多的特征，但会增加计算量，更小的卷积核可以提取更局部的特征，但可能会丢失更全局的信息。4.特征图：在卷积神经网络中，卷积操作的输出结果被称为特征图，特征图可以看作是输入数据在卷积核下的响应，也可以理解为卷积核提取出的图像特征。5.特征选择：在卷积神经网络中，卷积核的参数可以根据需要进行学习，因此可以通过选择不同的卷积核来提取不同的图像特征，从而得到更好的模型表现。
2023-05-01 21:27:18
35
原创 AI作业6-误差反向传播
我们以具体的某一函数为样例来解释什么是梯度下降。我们以二次函数中的抛物线函数来作为样例，当一个抛物线函数它的开口向上，那么这个函数就存在且唯一的最低点，我们需要寻找这个函数的最低点，或者说这个函数映射的最小值。使用梯度下降的方法来求解，那么我们可以看成，在抛物线上的一点，每次都向着函数映射值降低的方向移动，而每次又以移动过后的点为基准，继续向着函数映射值降低的方向移动，直到这个点移动到了整个函数的最低点。在不同函数中它的定义有所不同，在单变量函数中，梯度就是函数的微分值，代表函数在其某个点上切线的斜率。
2023-04-26 14:28:18
26
原创 AI第五次作业-监督学习
1、人工智能、机器学习、深度学习之间的区别和联系人工智能是指一种广义的概念，它是指计算机系统通过模拟人类智能的方式，实现了一些认知、感知、思考、决策、学习等方面的能力。机器学习是实现人工智能的一种方法，它是通过利用算法和统计模型，让计算机系统从数据中学习和自适应地改进自己的性能和表现。深度学习是机器学习的一种特殊形式，它是通过模拟神经网络的方式，实现了从数据中自动学习和识别特征的能力，从而实现了高度准确的分类、识别、预测等任务。2、“神经网络”与“深度学习”的关系神经网络是一种模拟人类神
2023-04-17 19:41:28
61
原创 AI第四次作业-监督学习
思想：KNN是找点P距离最近的k个点，判断这k个点多数是什么特征(带标签)，则P表示的样本就判断为什么特征；算法：样本中心化(使得计算量变小)->计算协方差矩阵(表示各点之间的相关程度，协方差为0则彼此无关)->协方差矩阵的特征值分解，对特征根排序->选择前L个最大特征根对应的特征向量组成映射矩阵(投影后选方差最大的L个)K-means是初始化质心后根据质心与各点的距离判断是否属于一个集合，然后利用数据重新计算质心位置，再重新将数据放入距离最近质心的集合中，反复迭代，直至质心基本保持不变。
2023-04-03 20:12:24
133
1
原创 AI第三次作业-监督学习
KNN（k-nearest neighbors）是一种基于实例的学习方法，它通过测量不同数据点之间的距离来预测新数据点的分类。具体来说，KNN算法会找出与新数据点最近的k个数据点，然后根据这些邻居的标签来预测新数据点的标签。K-means算法的基本思想是将数据点划分为k个簇，使得每个簇内的数据点相似度最大化，而不同簇之间的相似度最小化。不正确，监督学习和无监督学习描述的是学习任务的类型，生成式方法和判别式方法描述的是模型的学习方式。通过对观察数据的概率分布，生成与训练数据具有相似特征的新数据。
2023-03-25 17:57:42
41
原创 AI第二次作业-监督学习
逻辑斯蒂回归＝线性回归+Sigmoid函数/Soft-Max函数，逻辑斯蒂回归虽然是回归函数，但是通常被用来分类，用来解决二分类或多分类问题，逻辑斯蒂回归使用Sigmoid函数，一般用于解决二分类问题，比如将人按照性别分类，逻辑斯蒂回归使用Soft-Max函数，一般用于解决多分类问题，比如将人按职业不同进行分类。Sigmoid 函数是一种特殊的 S 形函数，它将输入值映射到0到1之间的值，而 SoftMax 函数则是一种多分类器，用于将输入向量映射到概率分布序列。正则化是通过限制模型复杂度，来避免过拟合。
2023-03-19 21:05:56
57
原创 AI第一次作业-ML基础
同时验证集在训练过程中还可以用来监控模型是否发生过拟合，一般来说验证集表现稳定后，若继续训练，训练集表现还会继续上升，但是验证集会出现不升反降的情况，这样一般就发生了过拟合。虽然人们平时观测到的数据基本都是高维的，但实际上真正与学习任务的分布相关的往往是低纬度的分布。4.损失函数：在机器学习中，损失函数是代价函数的一部分，而代价函数则是目标函数的一种类型。期望风险：模型在所有可能出现的样本（包括训练集，测试集和其它未采集的样本）上的误差的均值。6.过拟合：是指在训练集上的误差较小，但在测试集上的误差较大。
2023-03-13 18:34:33
63
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