- 博客(7)
- 收藏
- 关注
RSS订阅原创 第七周周报：动手深度学习（二）
本周跟着李沐老师的动手深度学习课程，主要学习了使用PyTorch实现深度学习的计算和卷积神经网络。详细学习了深度学习模型的构造、参数的访问初始化、自定义网络层等，以及卷积神经网络的整个发展历程，从最简单的二维卷积网络，到深度卷积网络，再到后面的一些变型的卷积网络。每一次的创新，都有助于卷积神经网络更好的拟合数据，减轻训练难度，得到更好的测试效果。
2024-08-11 18:15:00
672
原创 第六周周报：动手深度学习（一）
本周跟着李沐老师的动手深度学习课程，主要学习了使用PyTorch工具对深度学习进行集成性操作，本周的内容主要涉及对tensor数据的操作、自动求导、线性回归模型的实现、softmax回归模型的实现，以及如何解决过拟合问题，最后还有kaggle实战房价预测。本周的学习内容主要围绕代码展开，本博客也会附上完整代码和数据。本周的学习到此结束，初步形成了用PyTorch编写深度学习算法的模型，还需要通过长时间的练习来熟练掌握编写流程。下周将继续学习用PyTorch进行深度学习的计算，以及CNN的编写。b。
2024-08-04 18:30:00
776
原创 第五周周报：深度学习经典网络模型（三）
本周跟着李宏毅老师的课程，主要学习了生成式对抗网络中的无限制生成、去噪扩散概率模型、自监督学习中常用的预训练模型BERT和GPT，以及在目标领域中无标记数据时需要用到的迁移学习。本文将结合课程以及自身理解，介绍以上经典的神经网络模型。本周的学习到此结束，同时也完成了深度学习经典神经网络的基础理论学习。从下周开始，我将会跟着李沐老师的课程，从头用PyTorch实现之前所学内容，通过对代码的编写，更深一步理解深度学习的原理。
2024-07-28 18:00:00
955
原创 第四周周报：深度学习经典网络模型（二）
本周跟着李宏毅老师的课程，主要学习了序列到序列的神经网络模型Transformer，以及在机器学习中应用广泛的贝叶斯定理。详细地学习了Transformer的运行原理，以及通过西瓜检测的例子深刻理解了朴素贝叶斯的运行原理，并通过代码实现。本周的学习到此结束，下周将完成深度学习经典神经网络模型的学习。主要会涉及生成式对抗网络和自监督学习，后期会通过代码从零敲写以上模型。
2024-07-21 20:15:00
750
原创 第三周周报：深度学习经典网络模型（一）
本周主要跟着李宏毅老师的课程，学习了深度学习的经典网络模型，详细学习了CNN、RNN、LSTM、自注意力机制等。对其原理进行了具体的学习，同时也通过Pytorch对这些经典的模型，进行了简易的训练。在完成后续课程之后，我会跟着李沐老师的课程，从头动手敲写代码，深入了解深度学习代码的整个编写过程。自注意力机制（Self-Attention）允许模型在处理一个序列时，考虑到序列中每个元素与其他所有元素之间的关系。这种机制通过计算序列中每个元素与其他元素的关联度，来捕捉序列内的复杂依赖关系。
2024-07-14 19:41:09
1054
1
原创 第二周周报：深度学习基础内容
本周跟着李宏毅老师的课程，学习了深度学习相关的基础知识。详细学习了深度学习在参数更新时所必须的反向传播；以及将来为了更好的训练神经网络时，需要注意的局部极小值与鞍点的问题，优化模型时需要分批量的训练，还有引入动量的方法，以及学习率该如何调的问题。本周还学习了几类激活函数，以及PyTorch的基础语法。深度学习是使用深度神经网络来学习数据的表示和提取特征。这些网络由多个层次组成，每一层都执行特定的数据变换，从而将数据从原始形式转换为更高层次、更抽象的表达。
2024-07-07 11:56:11
705
原创 第一周周报：机器学习基础知识
本周跟着吴恩达老师的课程学习了机器学习的基础知识，主要包含线性回归模型、逻辑回归模型。详细学习了两大模型如何通过数据拟合的原理，其中涉及损失函数、梯度下降算法的学习，以及最后模型回归的理解。还学习了在多类型特征作为输入时，采用特征缩放进行数据预处理更有利于优化算法。以及过拟合问题的解决，常用方法为L2正则化。本次学习代码主要通过Jupyter Notebook实现。机器学习是一种让计算机通过数据自动学习的技术。让计算机从数据中自动学习规律和模式，并根据这些规律和模式进行预测和决策。
2024-06-30 20:57:37
728
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