NNDL第三次作业

已于 2022-10-01 17:33:31 修改
阅读量498 收藏
点赞数 2
文章标签： 机器学习 深度学习 人工智能
于 2022-10-01 17:30:24 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_51698536/article/details/127133360
版权

文章目录

前言

写这次作业的时候，由于正逢疫情，要统计各种日报表，核酸信息，没有腾出来大部分时间来进行作业。利用各种业余时间给写完了，真诚的感受到了疫情带给人们的生活上的困苦，希望疫情早日过去。
下面说说这次作业，神经网络主要是拟合人的神经来实现预测，原理这方面，我的思路是在人工神经的基础上进行分析，通过人工神经工作的原理，进而推出人工神经网络的工作的原理，而公式推导在机器学习中已经推导过了，相当于一个回顾了，代码实现则是对算法的体现，
在这里插入图片描述

作业

神经网络原理

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

数值计算

在这里插入图片描述
在这里插入图片描述

代码实现

代码

'''
torch版本
'''
# -*- coding: utf-8 -*-
# @Time : 2022-10-01 12:11
# @Author : Mr.Liu
# @Email : 2781700291@qq.com
# @File : torch版本.py
# @ProjectName: python
# https://blog.csdn.net/qq_41033011/article/details/109325070
# https://github.com/Darwlr/Deep_learning/blob/master/06%20Pytorch%E5%AE%9E%E7%8E%B0%E5%8F%8D%E5%90%91%E4%BC%A0%E6%92%AD.ipynb
# torch.nn.Sigmoid(h_in)

import torch

x1, x2 = torch.Tensor([0.5]), torch.Tensor([0.3])
y1, y2 = torch.Tensor([0.23]), torch.Tensor([-0.07])
print("=====输入值：x1, x2；真实输出值：y1, y2=====")
print(x1, x2, y1, y2)
w1, w2, w3, w4, w5, w6, w7, w8 = torch.Tensor([0.2]), torch.Tensor([-0.4]), torch.Tensor([0.5]), torch.Tensor(
    [0.6]), torch.Tensor([0.1]), torch.Tensor([-0.5]), torch.Tensor([-0.3]), torch.Tensor([0.8])  # 权重初始值
w1.requires_grad = True
w2.requires_grad = True
w3.requires_grad = True
w4.requires_grad = True
w5.requires_grad = True
w6.requires_grad = True
w7.requires_grad = True
w8.requires_grad = True


def sigmoid(z):
    a = 1 / (1 + torch.exp(-z))
    return a


def forward_propagate(x1, x2):
    in_h1 = w1 * x1 + w3 * x2
    out_h1 = sigmoid(in_h1)  # out_h1 = torch.sigmoid(in_h1)
    in_h2 = w2 * x1 + w4 * x2
    out_h2 = sigmoid(in_h2)  # out_h2 = torch.sigmoid(in_h2)
    print("out_h1 {}".format(out_h2))
    in_o1 = w5 * out_h1 + w7 * out_h2
    out_o1 = sigmoid(in_o1)  # out_o1 = torch.sigmoid(in_o1)
    in_o2 = w6 * out_h1 + w8 * out_h2
    out_o2 = sigmoid(in_o2)  # out_o2 = torch.sigmoid(in_o2)

    print("正向计算：o1 ,o2")
    print(out_o1.data, out_o2.data)

    return out_o1, out_o2


def loss_fuction(x1, x2, y1, y2):  # 损失函数
    y1_pred, y2_pred = forward_propagate(x1, x2)  # 前向传播
    loss = (1 / 2) * (y1_pred - y1) ** 2 + (1 / 2) * (y2_pred - y2) ** 2  # 考虑 ： t.nn.MSELoss()
    print("损失函数（均方误差）：", loss.item())
    return loss


def update_w(w1, w2, w3, w4, w5, w6, w7, w8):
    # 步长
    step = 1
    w1.data = w1.data - step * w1.grad.data
    w2.data = w2.data - step * w2.grad.data
    w3.data = w3.data - step * w3.grad.data
    w4.data = w4.data - step * w4.grad.data
    w5.data = w5.data - step * w5.grad.data
    w6.data = w6.data - step * w6.grad.data
    w7.data = w7.data - step * w7.grad.data
    w8.data = w8.data - step * w8.grad.data
    w1.grad.data.zero_()  # 注意：将w中所有梯度清零
    w2.grad.data.zero_()
    w3.grad.data.zero_()
    w4.grad.data.zero_()
    w5.grad.data.zero_()
    w6.grad.data.zero_()
    w7.grad.data.zero_()
    w8.grad.data.zero_()
    return w1, w2, w3, w4, w5, w6, w7, w8


if __name__ == "__main__":

    print("=====更新前的权值=====")
    print(w1.data, w2.data, w3.data, w4.data, w5.data, w6.data, w7.data, w8.data)

    for i in range(1):
        print("=====第" + str(i) + "轮=====")
        L = loss_fuction(x1, x2, y1, y2)  # 前向传播，求 Loss，构建计算图
        L.backward()  # 自动求梯度，不需要人工编程实现。反向传播，求出计算图中所有梯度存入w中
        print("\tgrad W: ", round(w1.grad.item(), 2), round(w2.grad.item(), 2), round(w3.grad.item(), 2),
              round(w4.grad.item(), 2), round(w5.grad.item(), 2), round(w6.grad.item(), 2), round(w7.grad.item(), 2),
              round(w8.grad.item(), 2))
        w1, w2, w3, w4, w5, w6, w7, w8 = update_w(w1, w2, w3, w4, w5, w6, w7, w8)

    print("更新后的权值")
    print(w1.data, w2.data, w3.data, w4.data, w5.data, w6.data, w7.data, w8.data)

'''
numpy
''''
# -*- coding: utf-8 -*-
# @Time : 2022-10-01 12:10
# @Author : Mr.Liu
# @Email : 2781700291@qq.com
# @File : NNDL作业.py
# @ProjectName: python
import numpy as np


def sigmoid(z):
    a = 1 / (1 + np.exp(-z))
    return a


def forward_propagate(x1, x2, y1, y2, w1, w2, w3, w4, w5, w6, w7, w8):
    in_h1 = w1 * x1 + w3 * x2
    out_h1 = sigmoid(in_h1)
    in_h2 = w2 * x1 + w4 * x2
    out_h2 = sigmoid(in_h2)

    in_o1 = w5 * out_h1 + w7 * out_h2
    out_o1 = sigmoid(in_o1)
    in_o2 = w6 * out_h1 + w8 * out_h2
    out_o2 = sigmoid(in_o2)

    print("正向计算：o1 ,o2")
    print(round(out_o1, 5), round(out_o2, 5))

    error = (1 / 2) * (out_o1 - y1) ** 2 + (1 / 2) * (out_o2 - y2) ** 2

    print("损失函数：均方误差")
    print(round(error, 5))

    return out_o1, out_o2, out_h1, out_h2


def back_propagate(out_o1, out_o2, out_h1, out_h2):
    # 反向传播
    d_o1 = out_o1 - y1
    d_o2 = out_o2 - y2
    # print(round(d_o1, 2), round(d_o2, 2))

    d_w5 = d_o1 * out_o1 * (1 - out_o1) * out_h1
    d_w7 = d_o1 * out_o1 * (1 - out_o1) * out_h2
    # print(round(d_w5, 2), round(d_w7, 2))
    d_w6 = d_o2 * out_o2 * (1 - out_o2) * out_h1
    d_w8 = d_o2 * out_o2 * (1 - out_o2) * out_h2
    # print(round(d_w6, 2), round(d_w8, 2))

    d_w1 = (d_w5 + d_w6) * out_h1 * (1 - out_h1) * x1
    d_w3 = (d_w5 + d_w6) * out_h1 * (1 - out_h1) * x2
    # print(round(d_w1, 2), round(d_w3, 2))

    d_w2 = (d_w7 + d_w8) * out_h2 * (1 - out_h2) * x1
    d_w4 = (d_w7 + d_w8) * out_h2 * (1 - out_h2) * x2
    # print(round(d_w2, 2), round(d_w4, 2))
    print("反向传播：误差传给每个权值")
    print(round(d_w1, 5), round(d_w2, 5), round(d_w3, 5), round(d_w4, 5), round(d_w5, 5), round(d_w6, 5),
          round(d_w7, 5), round(d_w8, 5))

    return d_w1, d_w2, d_w3, d_w4, d_w5, d_w6, d_w7, d_w8


def update_w(w1, w2, w3, w4, w5, w6, w7, w8):
    # 步长
    step = 5
    w1 = w1 - step * d_w1
    w2 = w2 - step * d_w2
    w3 = w3 - step * d_w3
    w4 = w4 - step * d_w4
    w5 = w5 - step * d_w5
    w6 = w6 - step * d_w6
    w7 = w7 - step * d_w7
    w8 = w8 - step * d_w8
    return w1, w2, w3, w4, w5, w6, w7, w8


if __name__ == "__main__":
    w1, w2, w3, w4, w5, w6, w7, w8 = 0.2, -0.4, 0.5, 0.6, 0.1, -0.5, -0.3, 0.8
    x1, x2 = 0.5, 0.3
    y1, y2 = 0.23, -0.07
    print("=====输入值：x1, x2；真实输出值：y1, y2=====")
    print(x1, x2, y1, y2)
    print("=====更新前的权值=====")
    print(round(w1, 2), round(w2, 2), round(w3, 2), round(w4, 2), round(w5, 2), round(w6, 2), round(w7, 2),
          round(w8, 2))

    for i in range(1000):
        print("=====第" + str(i) + "轮=====")
        out_o1, out_o2, out_h1, out_h2 = forward_propagate(x1, x2, y1, y2, w1, w2, w3, w4, w5, w6, w7, w8)
        d_w1, d_w2, d_w3, d_w4, d_w5, d_w6, d_w7, d_w8 = back_propagate(out_o1, out_o2, out_h1, out_h2)
        w1, w2, w3, w4, w5, w6, w7, w8 = update_w(w1, w2, w3, w4, w5, w6, w7, w8)

    print("更新后的权值")
    print(round(w1, 2), round(w2, 2), round(w3, 2), round(w4, 2), round(w5, 2), round(w6, 2), round(w7, 2),
          round(w8, 2))

问：Numpy和torch代码的对比
答：就目前来看的话代码量是差不多的，但是Pytoch是深度学习的框架，而Numpy是数学计算包，底层代码。按正常情况来说，pytorch代码量是比Numpy少的。

结果：
numpy版本
在这里插入图片描述
torch版本
在这里插入图片描述

激活函数Sigmoid用PyTorch自带函数torch.sigmoid()，观察、总结并陈述。

第一轮
在这里插入图片描述
第五十轮
在这里插入图片描述
第二百轮
在这里插入图片描述

将sigmoid更改为torch.sigmoid函数后，并未出现明显变化，但是通过分析可知，torch是专业机器学习的包，在数据的计算上会有明显的效率提升，

激活函数Sigmoid改变为Relu，观察、总结并陈述。

第一次
在这里插入图片描述
第五十次
在这里插入图片描述

第二百次
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

与sigmoid的区别：
1、通过实验结果和损失函数图像，发现激活函数为Sigmoid函数收敛的较快，而relu函数收敛的较慢。
2、sigmoid函数反向传播时，很容易就会出现梯度消失的情况（在sigmoid接近饱和区时，变换太缓慢，导数趋于0，这种情况会造成信息丢失，从而无法完成深层网络的训练；而ReLU就不会
3、Relu会使一部分神经元的输出为0，这样就造成了网络的稀疏性(对于特征选取更好)，并且减少了参数的相互依存关系，缓解了过拟合问题的发生
性能上：
采用sigmoid等函数，算激活函数时（指数运算），计算量大，反向传播求误差梯度时，求导涉及除法，计算量相对大，而采用Relu激活函数，整个过程的计算量节省很多

拓展
ReLU函数有个inplace参数，如果设为True，它会把输出直接覆盖到输入中，这样可以节省内存/显存。之所以可以覆盖是因为在计算ReLU的反向传播时，只需根据输出就能够推算出反向传播的梯度。但是只有少数的autograd操作支持inplace操作（如tensor.sigmoid_()），除非你明确地知道自己在做什么，否则一般不要使用inplace操作。

损失函数MSE用PyTorch自带函数 t.nn.MSELoss()替代，观察、总结并陈述。

更改损失函数，代码如下

def loss_fuction(x1, x2, y1, y2):  # 损失函数
    y1_pred, y2_pred = forward_propagate(x1, x2)  # 前向传播
    loss = torch.nn.MSELoss()  # 考虑 ： t.nn.MSELoss()
    loss1 = loss(y1_pred,y1)
    loss2 = loss(y2_pred,y2)
    loss = loss1 + loss2
    print("损失函数（MSELoss)：", loss.item())
    return loss

运行结果
第一轮
在这里插入图片描述
第五十轮
在这里插入图片描述
第二百轮
在这里插入图片描述
损失函数用Torch.NN.MSEloss替代，通过实验结果我们发现MSEloss损失函数在Numpy的实验结果较差。
在这里插入图片描述

损失函数MSE改变为交叉熵，观察、总结并陈述。

将代码更改如下

def loss_fuction(x1, x2, y1, y2):  # 损失函数
    y1_pred, y2_pred = forward_propagate(x1, x2)  # 前向传播
    loss = torch.nn.CrossEntropyLoss()  # 考虑 ： t.nn.MSELoss()
    loss1 = loss(y1_pred,y1)
    loss2 = loss(y2_pred,y2)
    loss = loss1 + loss2
    print("损失函数（MSELoss)：", loss.item())
    return loss

发现报错
在这里插入图片描述
原因是输出的维度不一致，我们使用torch.stack将其转换为同一维度的大小。

 y_pred = torch.stack([y1_pred, y2_pred], dim=1)
 y = torch.stack([y1, y2], dim=1)

输出结果
第一轮

在这里插入图片描述
第五十轮
在这里插入图片描述
第二百轮
在这里插入图片描述
交叉熵损失函数与其他损失函数的区别，在200轮的时候出现了负数，这个时候我们只需进行softmax转换为0-1即可。同时通过回顾可知，我们可以发现交叉熵损失函数更实用于分类，而不是预测。
在这里插入图片描述

改变步长，训练次数，观察、总结并陈述。

改变步长和训练次数

更改步长为0.5
第一轮
在这里插入图片描述
第五十轮
在这里插入图片描述

第二百轮
在这里插入图片描述

更改步长为2
第一轮
在这里插入图片描述

第五十轮
在这里插入图片描述

第二百轮
在这里插入图片描述
通过实验结果，我们发现训练次数50次和200次的时候误差和参数一样，即已经达到了局部或者全局收敛，这个以后就是无效训练，次时我们可以设计一个超参数，当准确率或者误差不变时，停止训练，来提升系统的性能，同时我们发现步长为0.5时候比2的时候效果要好一些，我们可以发现无论是线性模型还是神经网络模型训练的好坏都是由超参数来确定的。合适的训练次数和学习率会提升模型的稳健性。

权值w1-w8初始值换为随机数，对比“指定权值”的结果，观察、总结并陈述。

# -*- coding: utf-8 -*-
# @Time : 2022-10-01 12:11
# @Author : Mr.Liu
# @Email : 2781700291@qq.com
# @File : torch版本.py
# @ProjectName: python
# https://blog.csdn.net/qq_41033011/article/details/109325070
# https://github.com/Darwlr/Deep_learning/blob/master/06%20Pytorch%E5%AE%9E%E7%8E%B0%E5%8F%8D%E5%90%91%E4%BC%A0%E6%92%AD.ipynb
# torch.nn.Sigmoid(h_in)

import torch

x1, x2 = torch.Tensor([0.5]), torch.Tensor([0.3])
y1, y2 = torch.Tensor([0.23]), torch.Tensor([-0.07])
print("=====输入值：x1, x2；真实输出值：y1, y2=====")
print(x1, x2, y1, y2)

w1, w2, w3, w4, w5, w6, w7, w8 =torch.rand(1), torch.rand(1), torch.rand(1), torch.rand(1), torch.rand(1),torch.rand(1), torch.rand(1), torch.rand(1)
w1.requires_grad = True
w2.requires_grad = True
w3.requires_grad = True
w4.requires_grad = True
w5.requires_grad = True
w6.requires_grad = True
w7.requires_grad = True
w8.requires_grad = True


def sigmoid(z):
    a = 1 / (1 + torch.exp(-z))
    return a


def forward_propagate(x1, x2):
    in_h1 = w1 * x1 + w3 * x2
    out_h1 = torch.relu(in_h1)  # out_h1 = torch.sigmoid(in_h1)
    in_h2 = w2 * x1 + w4 * x2
    out_h2 = torch.relu(in_h2)  # out_h2 = torch.sigmoid(in_h2)
    in_o1 = w5 * out_h1 + w7 * out_h2
    out_o1 = torch.relu(in_o1)  # out_o1 = torch.sigmoid(in_o1)
    in_o2 = w6 * out_h1 + w8 * out_h2
    out_o2 = torch.relu(in_o2)  # out_o2 = torch.sigmoid(in_o2)

    print("正向计算：o1 ,o2")
    print(out_o1.data, out_o2.data)

    return out_o1, out_o2


def loss_fuction(x1, x2, y1, y2):  # 损失函数
    y1_pred, y2_pred = forward_propagate(x1, x2)  # 前向传播
    loss = torch.nn.CrossEntropyLoss()  # 考虑 ： t.nn.MSELoss()
    y_pred = torch.stack([y1_pred, y2_pred], dim=1)
    y = torch.stack([y1, y2], dim=1)
    loss = loss(y_pred,y)
    print("损失函数（CrossEntropyLoss)：", loss.item())
    return loss


def update_w(w1, w2, w3, w4, w5, w6, w7, w8):
    # 步长
    step = 2
    w1.data = w1.data - step * w1.grad.data
    w2.data = w2.data - step * w2.grad.data
    w3.data = w3.data - step * w3.grad.data
    w4.data = w4.data - step * w4.grad.data
    w5.data = w5.data - step * w5.grad.data
    w6.data = w6.data - step * w6.grad.data
    w7.data = w7.data - step * w7.grad.data
    w8.data = w8.data - step * w8.grad.data
    w1.grad.data.zero_()  # 注意：将w中所有梯度清零
    w2.grad.data.zero_()
    w3.grad.data.zero_()
    w4.grad.data.zero_()
    w5.grad.data.zero_()
    w6.grad.data.zero_()
    w7.grad.data.zero_()
    w8.grad.data.zero_()
    return w1, w2, w3, w4, w5, w6, w7, w8


if __name__ == "__main__":

    print("=====更新前的权值=====")
    print(w1.data, w2.data, w3.data, w4.data, w5.data, w6.data, w7.data, w8.data)

    for i in range(200):
        print("=====第" + str(i) + "轮=====")
        L = loss_fuction(x1, x2, y1, y2)  # 前向传播，求 Loss，构建计算图
        L.backward()  # 自动求梯度，不需要人工编程实现。反向传播，求出计算图中所有梯度存入w中
        print("\tgrad W: ", round(w1.grad.item(), 2), round(w2.grad.item(), 2), round(w3.grad.item(), 2),
              round(w4.grad.item(), 2), round(w5.grad.item(), 2), round(w6.grad.item(), 2), round(w7.grad.item(), 2),
              round(w8.grad.item(), 2))
        w1, w2, w3, w4, w5, w6, w7, w8 = update_w(w1, w2, w3, w4, w5, w6, w7, w8)

    print("更新后的权值")
    print(w1.data, w2.data, w3.data, w4.data, w5.data, w6.data, w7.data, w8.data)

运行结果：
随机生成的权重
在这里插入图片描述
第一轮
在这里插入图片描述
第五十轮
在这里插入图片描述
第二百轮
在这里插入图片描述

随机生成权重，我们发现当权重随机初始化较好的时候误差降低的快，更容易到达收敛，当参数随机初始化不好的时候，会出现局部收敛，停滞不前，这个时候就要我们进行模拟退火的等算法进行弥补。

权值w1-w8初始值换为0，观察、总结并陈述。

初始权重
在这里插入图片描述
第一轮
在这里插入图片描述

第五十轮
在这里插入图片描述

第200轮
在这里插入图片描述

通过实验结果，我们发现梯度并未更替，出现了梯度消失的情况，产生原因和解决办法。
原因如下：
1 神经网络用的是梯度下降法，来进行每次更新网络的权重w，假如loss函数为： (简写的)
Loss = (y - y’)^2, 其中y = f(wx + b)
那么，每次更新w用求导法则 w = w + w’, w’ = （Loss对w的求导），也就是每次的梯度，对吗？ ok…继续…
但是：我们知道复合函数求导：是一层一层又一层，多层函数求导相乘，对吧…
所以最后w’ 应该是：(Loss对y求导）（y对f函数求导）（f函数对w求导）2. 注意上述中间项：（y对f型函数求导）， 因为f是激活函数，即sigmiod函数。
所以其实这一中间项：就是sigmiod函数求导，我们经过推算，sigmiod函数求导，他的导数值永远遵循如下：
在这里插入图片描述
什么意思？ 就是S型函数的求导值：永远是小于0.25的！！！
这又是什么意思？，也就是说，假如 哪怕我取s函数求导最大为0.25好吧 ------>
那么：假如你的深度网络有100层，方向传播求w的时候，根据函数求导要一层又一层的原因----------->
那么: w’, 也就是梯度，对100层网络来说，其反向传播走到接近输入层的时候，最终会拖着很长很长的计算公式：
（LOSS求导）（S型函数求导）（S型函数求导）（S型函数求导）… * … (S型函数求导) * （最后函数对W求导）… 等等…
这不就是一个值0.250.250.250.25*…*0.25 *其他等等吗？
那么： 若干个0.25相乘，快趋近于0了好吧，所以梯度消失了…
【注：如若中途求导的w很大|w|>4了,则 累计多个大于1的相乘，这时候出现的是称为：梯度爆炸！！！！！！！！！！！！】

解决办法

如何防止梯度消失：
网络层中适当的用Relu激活函数就可以。为什么？ 因为Relu函数长这样：
在这里插入图片描述

  1. x>0 的时候，relu是y=x, 求导就是1，套到前面的论述的话：100个1 相乘还是为1， 大不了不变呗，但不会梯度消失
    2 x<0 的时候，relu=0，常数求导为0，这个意思就是：大不了那个神经元不更新，起到网络稀疏的效果…

全面总结反向传播原理和编码实现，认真写心得体会

通过这次实验，
1、不仅仅神经网络的前向传播和反向推导被我琢磨透了，而且神经的阈值电位也被我琢磨透了，哈哈哈哈。神经网络包括两个过程，其中前馈神经网络是和人的神经网络传递思想差不多，但是人的神经网络传递似乎没有反向传播这个过程。我到现在也没搜到相关的论文，好像人一出生学习的过程就是参数建立的过程。
2、下面说说反向传播原理，上面在正文已经说过一次了，这里就在说一次，反向传播就是通过误差最小化，怎么让误差最小化呢，我们可以通过求导，导数为0的时候函数取最小值，那么怎么让导数为0呢，这个时候我们就需要求导，求导等于0.就得出来参数了，咦惹，理解起来好像也不是很难，既然有了思路就需要我们进行推导了。数学公式的计算在正文中也已经进行更新了。
3、编码原理，当然使用python进行编码啦。底层使用numpy包，现成就是用torch包，torch包是一个很有名的框架，在编码的时候也遇到了很多错误，很喜欢这种遇见错误改正错误的感觉，好像闯关玩游戏一样。加强了对torch的理解。
4、在进行编码的时候，大部分时间还是浪费在了最优参数的寻找上，编码的话，根据画的流程图就好了。参数的寻找可是个大问题，比如步长、学习率、训练次数等等，沉淀一段时间一定要写一个博客，说说各个模型怎么寻找最优参数。
5、希望疫情早点过去，在宿舍憋得我都发毛了，看不见帅气的魏老师，每天各种表的统计，各种事情。都没有成段的时间进行学习，不仅仅耽误学习，耽误的更是大家的生活。

刘先生TT
关注
  • 2
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
NNDL
03-22
标题 "NNDL" 暗示我们正在探讨神经网络领域的知识，而描述中的内容却提到了一个数学问题，寻找函数 \( f(x) = x^4 + 3x^2 + 10 \) 的全局最小点和值。这个问题虽然不是直接与神经网络相关的，但它涉及到优化，这是...
NNDL作业三
staceey的博客
10-02 102
深度学习第三次作业
NNDL 作业4 第四章作业
qq_51698536的博客
10-08 1281
这次的问题相对于上次来说比较简单，大部分时间都用在了自己的拓展知识面上，对L0、L1、L2正则化系数的了解，上课讲的一下常用的激活函数的了解，例如ELU等。这次4-2问题费了我较多的时间，使用ReLU激活函数，出现了梯度消失的现象，，后来经过同学的指点迷津，我才发现。
NNDL 作业1：第二章课后题
weixin_52086410的博客
09-17 136
本文主要是对课后题的解答
NNDL 作业3
m0_62584837的博客
10-06 88
在Softmax回归的风险函数（公式（3.39））中，如果加上正则化项会有什么影响？防止过拟合，增强泛化能力， 在损失函数中加入正则化项，限制参数的大小，模型更加稳定。N是样本的数量，C是类别数量，y是第n个样本的标签，值是0或1，Softmax回归风险函数。是第n个样本的实际值。
NNDL 作业4 第四章课后题
m0_73478739的博客
10-09 644
NNDL 作业4 第四章课后题
NNDL 作业十三 优化算法3D可视化
m0_63010299的博客
01-01 1009
通过分析在这三个函数曲面上优化算法的表现，我感觉优化问题受到多方面的影响，比如初始参数的设置、初始点的位置、学习率的大小、数据集的大小、不同的损失函数……，比如这篇文章中的这两个函数，有些算法在这个函数上表现很好，但是在另一个函数上就是表现很差。我们不能单方面的说哪个算法好，哪个算法不好，应该具体问题具体分析。运行代码时遇到的一个问题刚开始按照老师的代码，出来的图只有这个曲面，没有轨迹，后来使用同学的代码，这个小球还是一直出不来。之前的代码没有成功绘制轨迹图的原因。
NNDL 作业1：第二章课后习题
m0_63172447的博客
09-17 214
当MSE和交叉熵同时应用到多分类场景下时，（标签的值为1时表示属于此分类，标签值为0时表示不属于此分类），MSE对于每一个输出的结果都非常看重，而交叉熵只对正确分类的结果看重。从上述的公式可以看出，交叉熵的损失函数只和分类正确的预测结果有关系，而MSE的损失函数还和错误的分类有关系，该分类函数除了让正确的分类尽量变大，还会让错误的分类变得平均，但实际在分类问题中这个调整是没有必要的。因为分类问题不连续，使用平方损失函数，只要分类错误其loss便相等，没有距离概念，在分类错误的情况下无法判断优化的好坏。
NNDL 作业12：第七章课后题
zhenjiteng的博客
12-10 465
这次写的很细，但是真的有点累，因为哥们中招了，有点难受，但是还是要坚持写完，坚持是最重要的(哈哈哈)。这次的流程图感觉真的画了一会，对照着老师的看着书，有点累，但是还是画出来了,这么多流程图,全是自己画的没有去网上随便粘一个，也是有点坚持的味道了(哈哈哈)。最后，写的不太好，请老师和各位大佬多教教我。
NNDL作业2：第三章课后题
weixin_58402555的博客
09-25 339
课后习题
二十、【机器学习】【非监督学习】- 均值漂移 (Mean Shift)
技术分享、程序员趣事、行业趋势等内容！
07-22 988
非监督学习是一种机器学习方法，它处理的是没有标签的数据集。与监督学习不同，非监督学习算法不需要知道数据的正确分类或目标值。它的目标是通过数据内部的结构和模式来推断出有意义的信息，如数据的分布、聚类、降维或异常检测等。均值漂移算法是一种无监督学习方法，最初由 Fukunaga 和 Hostetler 在 1975 年提出。它是一种基于密度的聚类算法，用于估计数据的模式（局部最大值），并且不需要事先指定聚类的数量。均值漂移算法在图像处理、计算机视觉、目标跟踪和数据挖掘等领域有着广泛的应用。
【机器学习】不同操作系统下如何安装Jupyter Notebook和Anaconda
最新发布
m0_49243785的博客
07-23 1079
Jupyter Notebook 是一个非常流行的开源Web应用程序，允许创建和共享包含代码、方程、可视化和解释性文本的文档
机器学习笔记 第二章模型估计与选择
qq_53034510的博客
07-22 937
为此，需使用一个“测试集”来测试学习器对新样本的判别能力，然后以测试集上的“测试误差”作为泛化误差的近似。当学习器把训练样本学得“太好”了的时候，很可能已经把训练样本自身的一些特点当作了所有潜在样本都会具有的一般性质，这样会导致泛化性能下降，这种现象在机器学习中称为“过拟合”。答案是否定的，因为测试性能不等于泛化性能，测试性能随着测试集的变化而变化，很多机器学习算法本身有一定的随机性。显然，泛化误差越小越好，但是，我们事先并不知道新样本，实际能做的是努力使经验误差最小化。泛化误差：在“未来”样本上的误差。
Python 机器学习求解 PDE 学习项目——PINN 求解二维 Poisson 方程
qq_39538718的博客
07-23 1538
Python 机器学习求解 PDE 学习项目——PINN 求解二维 Poisson 方程
机器学习（五） -- 无监督学习（1） --聚类1
zqx1473的博客
07-23 1010
tips：标题前有“***”的内容为补充内容，是给好奇心重的宝宝看的，可自行跳过。文章内容被“文章内容”删除线标记的，也可以自行跳过。！！”一般需要特别注意或者容易出错的地方。本系列文章是作者边学习边总结的，内容有不对的地方还请多多指正，同时本系列文章会不断完善，每篇文章不定时会有修改。由于作者时间不算富裕，有些内容的《算法实现》部分暂未完善，以后有时间再来补充。见谅！文中为方便理解，会将接口在用到的时候才导入，实际中应在文件开始统一导入。
简单聊聊关于机器学习中的正则化
Henry的博客
07-23 736
正则化处理是机器学习和统计模型中常用的一种技术，用于防止模型过拟合是指模型在训练数据上表现良好，但在未知数据上表现不佳，模型过于复杂，学习能力太强，把训练数据中的噪声也学习到了，导致泛化能力下降。正则化通过惩罚模型的复杂度来提高模型的泛化能力。
生成式人工智能之路，从马尔可夫链到生成对抗网络
2301_79425796的博客
07-23 924
生成式人工智能之路，从马尔可夫链到生成对抗网络
机器学习 | 回归算法原理——最小二乘法
ttrr27的博客
07-23 986
Hi，大家好，我是半亩花海。很早便想学习并总结一本很喜欢的机器学习图书——立石贤吾的《白话机器学习的数学》，可谓通俗易懂，清晰形象。那就在此分享并作为学习笔记来记录我的学习过程吧！本章的回归算法原理基于《基于广告费预测点击量》项目，欢迎大家交流学习！
anaconda安装nndl模块
05-17
3. 运行以下命令创建一个新的环境（可选，如果您已经有一个环境可以跳过此步骤）： ``` conda create --name myenv ``` 其中`myenv`是您要创建的环境名称。 4. 运行以下命令激活环境： ``` conda activate...
评论 1
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