《Python星球日记》 第51天：神经网络基础

已于 2025-05-10 18:19:00 修改
阅读量965 收藏 18
点赞数 14
分类专栏： Python星球日记 文章标签： Python 深度学习 机器学习 神经网络基础 神经元 激活函数 构建神经网络
于 2025-05-10 18:16:06 首次发布
© Code_流苏（CSDN） | 未经允许禁止转载 | 禁止商用及未授权修改 | 私自转载商用将通过法律维护权益
本文链接：https://blog.csdn.net/qq_51646682/article/details/147855097
版权

名人说：路漫漫其修远兮，吾将上下而求索。—— 屈原《离骚》
创作者：Code_流苏(CSDN)（一个喜欢古诗词和编程的Coder😊）

目录


👋 专栏介绍： Python星球日记专栏介绍（持续更新ing）
✅ 上一篇： 《Python星球日记》 第50天：深度学习概述与环境搭建

今天是我们Python星球探索之旅的第51天！🪐

一、引言：走进神经网络的世界

经过前面的机器学习基础学习，我们今天将揭开深度学习<

了解本专栏 订阅专栏 解锁全文 超级会员免费看
《Python星球日记》 第52天：反向传播与优化器
Code_流苏：在代码中寻诗意
05-10 602
本文深入探讨了神经网络的核心学习机制——反向传播算法及其优化方法。首先，反向传播通过链式法则计算损失函数对网络参数的梯度，实现参数更新。其次，文章回顾了梯度下降法的多种变体，包括标准梯度下降（BGD）、随机梯度下降（SGD）和小批量梯度下降（Mini-batch SGD），并介绍了进阶优化算法如动量法、RMSProp和Adam，这些方法在速度和稳定性上取得了平衡。此外，文章详细解析了损失函数的作用，特别是均方误差（MSE）和交叉熵损失的应用场景及其特点。最后，强调了权重初始化的重要性，介绍了零初始化、随机初
《Python星球日记》 第59天：生成对抗网络（GAN）
最新发布
Code_流苏：在代码中寻诗意
05-12 306
《Python星球日记》 第59天：生成对抗网络（GAN），在前面的学习中，我们探索了各种深度学习模型，从基础神经网络到卷积网络，再到循环网络和Transformer。今天，我们将进入一个非常有趣的领域——生成对抗网络（Generative Adversarial Networks，简称GAN）。
计算机专业毕业设计题目汇总-最新题目 选题 推荐 毕业设计 - 毕设指导 开题报告 论文
热门推荐
JavaPub
04-08 1万+
计算机专业毕业设计题目汇总-最新题目-选题-推荐-毕业设计 - 毕设指导-开题报告-论文
《Python星球日记》专栏介绍（持续更新...）
Code_流苏：在代码中寻诗意
04-03 1273
Python星球日记专栏介绍（持续更新ing），本专栏文章或达近百篇，后续会持续更新...
《Python星球日记》 番外篇（一）：GPT模型的进化之路
Code_流苏：在代码中寻诗意
05-12 450
《Python星球日记》 番外篇（一）：GPT模型的进化之路
Python爬虫之抓取豆瓣影评数据
weixin_30825581的博客
06-05 3033
　　脚本功能： 　　1、访问豆瓣最受欢迎影评页面（http://movie.douban.com/review/best/?start=0），抓取所有影评数据中的标题、作者、影片以及影评信息　　 　　2、将抓取的信息写入excel中 　　页面信息如下： 　　 　　一共5页，需要循环访问不同的页面 　　HTML源代码： <a class="" titl...
知识星球爬虫2023-2-9
m0_68566497的博客
02-10 3666
知识星球爬虫 zsxq.com
在window平台大模型LoRA微调实战（完整代码带数据）
qyhua的专栏
07-24 3602
本次微调最开始是打算使用Qwen/Qwen-1_8B-Chat的模型作为微调对象，调试过程中不断报GPU显存不够，该模型需要的显存超过12G，因此后面改用 Qwen/Qwen1.5-0.5B-Chat 模型。这里的注意力投影与多层感知的层作是："c_attn", "c_proj", "w1", "w2"从上面对比图可以看出，微调后的回答的答案与模型合并的模型都差不多效果，比较准确。微调前回复答案明显多了一些不像关键字的没有微调后的好，说明确实有效果。方法保存微调后的模型到指定目录。我们调整大模型哪些层，
用豆瓣 API 爬《计算机科学丛书》示例
抱朴守拙
01-24 3605
背景 《计算机科学丛书》是一系列经典书籍，看到有些网友整理了一些，但是不全，所以想在往上爬一下，直接从京东、天猫商城上爬，有点烦，分页太多。 找了一下，发现很多网友推荐 iDataAPI，于是试用了一下，感觉还不错。 注册 iDataAPI 的接口调用需要 API KEY，所以需要注册一下，注册后，会为用户分配一个 API KEY。 帮助文档 有些接口是免费的，但有些是收费的，按次收费，一般 10...
Pycharm（十九）深度学习
higerwy的博客
05-06 1262
深度学习是机器学习中的一种特殊方法，它使用称为神经网络的复杂结构，特别是“深层”的神经网络，来学习和做出预测。深度学习特别适合处理大规模和高维度的数据，如图像、声音和文本。深度学习、机器学习和人工智能之间的关系如下图所示：深度学习⊆机器学习⊆人工智能优点：1）精度高，性能优于其他的机器学习算法，甚至在某些领域超过了人类；2）随之计算机硬件的发展，可以近似任意的非线性函数；3）近年来在学界和业界受到了热捧，有大量的框架和库可供调。缺点：1）黑箱。
CNN处理图片
minato_wdz的博客
05-09 915
iltera​rgnp..array([[1/162/16erfiltera​rg−1)==[3120。
PyTorch实战（4）——卷积神经网络(Convolutional Neural Network, CNN)详解
盼小辉丶的博客
05-12 982
卷积神经网络 (Convolutional Neural Network, CNN) 是一种广泛应用的深度学习模型。通过参数共享、局部感知和空间结构等优势，能够更好地处理图像数据，并在图像识别、目标检测和图像生成等任务中展现出强大的能力。在本节中，介绍了卷积的计算方法以及卷积神经网络的基本组件，并使用 PyTorch 构建了卷积神经网络以深入了解其工作原理。
LSTM对IMDB数据库情感判断模型训练的实践及改进
harebert的博客
05-10 570
本文介绍了如何使用LSTM模型对IMDB电影评论数据集进行情感分析。首先，确保NLTK资源已下载，并配置了数据路径、最大长度、批量大小、嵌入维度、隐藏维度和训练轮数等参数。接着，加载IMDB数据集，构建词汇表，并将文本数据编码为张量。随后，定义IMDBDataset类用于处理数据，并使用DataLoader进行批量加载。模型部分定义了一个LSTM模型，包括嵌入层、LSTM层和全连接层，并使用BCELoss作为损失函数。最后，通过训练和评估函数对模型进行训练和测试，计算训练损失和准确率，并输出测试准确率。整个
【深度学习新浪潮】智能追焦技术全解析：从算法到设备应用
agito_cheung的博客
05-09 127
智能追焦是基于人工智能和自动化技术的对焦功能，通过深度学习算法识别并持续跟踪移动物体（如人、动物、运动器械等），实时调整焦距以保持主体清晰，显著提升动态场景拍摄成功率。：搭载 BIONZ XR 芯片，集成 TransTrack 类算法，0.03 秒超高速对焦，通过卡尔曼滤波预测高速运动轨迹，适合体育摄影。：结合激光雷达（如荣耀 Magic7 的 1200 点激光对焦）与视觉算法，实现毫米级对焦精度，解决低纹理场景（如白墙前的人物）追焦难题。实际应用：可连接镜头控制模块（如步进电机 API），通过。
365打卡第R8周: RNN实现阿尔茨海默病诊断
weixin_42570076的博客
05-10 466
🍨 本文为🔗365天营中的学习记录博客🍖 原作者：K同学啊🏡 我的环境：语言环境：Python3.10编译器：Jupyter Lab深度学习环境：torch==2.5.1 torchvision==0.20.1------------------------------分割线---------------------------------(数据规模很小，在普通笔记本电脑就可以流畅跑完，不用GPU也行)
深度学习 ----- 数据预处理
2403_88150975的博客
05-08 975
)
LSTM循环神经网络（Long Short-Term Memory）
不断积累不断学习
05-08 1252
LSTM是一种特殊的循环神经网络，用于处理序列数据。通过使用和，缓解传统RNN梯度消失的问题，有效的捕捉时间序列中的长期模式。
SSA-CNN+NSGAII+熵权TOPSIS，附相关气泡图！
机器学习之心的博客，关注并私信文章链接，获取对应文章源码和数据。
05-07 1055
SSA-CNN+NSGAII+熵权TOPSIS，附相关气泡图！
【深度学习】【目标检测】【Ultralytics-YOLO系列】YOLOV3核心文件detect.py解读
yangyu0515的博客
05-09 694
【深度学习】【目标检测】【Ultralytics-YOLO系列】YOLOV3核心文件detect.py解读
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

打赏作者

Code_流苏

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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