- 博客(12)
- 收藏
- 关注
RSS订阅原创 人工智能基础－AI－第十二次作业（LSTM）
长短期记忆网络是一种常用的循环神经网络变体，用于处理序列数据的建模和预测。LSTM通过引入输入门、遗忘门和输出门的机制，解决了传统RNN中的梯度消失和长期依赖问题。
2023-05-29 15:20:13
143
原创 人工智能基础－AI－第十一次作业（RNN）
前馈神经网络是一种最基本的神经网络结构，它包含输入层、隐藏层和输出层，信息在网络中单向传递，没有循环连接。虽然前馈网络在许多任务上取得了显著的成功，但它也存在一些问题和限制：模型的深度限制：传统的前馈网络很难有效地处理深层结构。随着网络层数的增加，梯度消失和梯度爆炸问题可能会出现，导致训练困难或模型性能下降。参数量的快速增加：随着网络层数和节点数的增加，模型的参数量会呈指数级增长。这使得训练和推理过程变得更加复杂和计算密集。
2023-05-29 15:15:48
320
原创 人工智能基础－AI－第十次作业
LeNet是一个经典的卷积神经网络模型，最早由Yann LeCun等人在1998年提出，用于手写数字识别任务。它是深度学习中的里程碑之一，为后续的卷积神经网络的发展奠定了基础。MNIST是一个常用的手写数字数据集，包含了大量的手写数字图像和相应的标签。MNIST数据集被广泛用于学术界和工业界，用于验证和比较不同的图像分类算法和模型。
2023-05-29 15:04:58
87
1
原创 人工智能基础－AI－第九次作业
总结： 卷积-池化-激活是卷积神经网络中常用的组合操作。卷积层用于提取输入数据的特征，池化层用于降低特征图的尺寸并保留主要信息，激活函数用于引入非线性特性。这个组合操作有助于网络学习图像中的局部特征，并对其进行处理和提取，从而实现对图像的有效表示和分类。通过合理选择卷积核大小、池化方式和激活函数类型，我们可以根据具体任务的需求来设计卷积-池化-
2023-05-29 14:57:56
78
1
原创 人工智能基础－AI－第七次作业
卷积是一种数学运算，常用于图像处理和机器学习中的卷积神经网络中。卷积操作通过将输入数据与一个称为卷积核或滤波器的小矩阵进行卷积运算，生成输出的特征图。卷积核是一个小的二维矩阵，它用于对输入数据进行扫描和处理。在卷积运算中，卷积核通过在输入数据上进行滑动，并将卷积核的权重与输入数据的对应位置进行元素相乘，然后将相乘结果相加得到输出的特征图的对应位置的值。多通道是指输入数据或特征图具有多个独立的通道。在图像处理中，每个通道代表图像中的一种特定颜色通道。
2023-05-29 14:50:52
43
原创 人工智能基础－AI－第八次作业
步长和填充是卷积神经网络中常用的两个参数，用于调整卷积操作的行为和输出特征图的尺寸。步长是指在进行卷积操作时，卷积核每次移动的步幅大小。步长的设置决定了输出特征图的尺寸。通常，较大的步长会导致输出尺寸的减小，而较小的步长则会保持更多的细节信息。填充是指在输入特征图的周围添加额外的像素或值，以扩展特征图的尺寸或保护边界信息。填充可以用来控制输出特征图的尺寸，同时还可以减少边界处的信息丢失。
2023-05-29 14:33:23
77
1
原创 人工智能基础－AI－第六次作业
梯度下降是一种常用的优化算法，用于更新模型参数以最小化损失函数。它是一种迭代的优化方法，通过计算损失函数关于参数的梯度，并朝着梯度下降的方向更新参数值，直到达到收敛条件或达到最小化损失函数的要求。梯度下降是一种广泛应用的优化算法，在训练神经网络和其他机器学习模型时经常使用，通过迭代优化参数来最小化损失函数，使模型能够更好地拟合训练数据。
2023-05-16 15:53:55
86
1
原创 人工智能基础－AI－第五次作业
人工智能是一个非常大的概念，它包括所有与智能相关的技术和应用，旨在使计算机系统能够模仿人类的思维和行为。机器学习是实现人工智能的一种方法，其基本思想是从数据中学习模式和规律，并使用这些知识来预测未来的结果。深度学习是机器学习的一个分支，它使用神经网络来处理和学习复杂的非线性关系。
2023-05-15 18:50:49
260
原创 人工智能基础－AI－第四次作业
K均值聚类是一种常见的无监督学习算法，用于将数据集分成k个不同的组或聚类。该算法的目标是最小化组内平方误差之和，组内平方差之和是每个点到其所属聚类中心的距离的平方和。K均值聚类有优点也有一定的限制，优点便于理解和实现但是需要指定聚类数K和对初始中心点的敏感性。
2023-05-15 18:31:07
66
1
原创 人工智能基础－AI－第三次作业
集成学习是一种通过结合多个学习器来改善机器学习算法性能的方法。集合学习可以将多个次级学习器进行整合，得到更高的准确性和稳定性，建立更好的模型达到更好的效果。集成学习的优点包括提高了算法的鲁棒性和准确性，减少了过拟合现象的出现，并且能够处理高维数据和噪声数据。缺点则是需要更多的计算资源和时间来训练多个学习器，而且对于不同的问题，需要选择适合的集成方法和组合方式。
2023-03-23 15:56:22
140
原创 人工智能基础－AI－第二次作业
结构风险最小化是机器学习中一种常用的模型选择方法，旨在找到既能够在训练数据上拟合得很好，同时又能够在测试数据上泛化能力强的模型。基本思想是在保证模型能够拟合数据的情况下尽量的简单化模型，以免造成过拟合。
2023-03-22 11:07:17
125
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