- 博客(4)
- 收藏
- 关注
RSS订阅原创 深度学习里的卷积神经网络
而VGG是由Karen Simonyan和Andrew Zisserman在2014年提出的深层卷积神经网络模型，具有很深的网络结构和优秀的特征表达能力，在图像识别任务中取得了很好的效果。通过本篇博客的介绍，希望读者能更好地理解卷积神经网络的基本原理和核心概念，以及几个经典的CNN模型在图像识别领域的重要性。多通道的卷积操作可以更好地捕捉图像中不同通道之间的相关性，增强模型对图像特征的表达能力。图像卷积是卷积神经网络的核心操作之一。池化层用于减小特征图的尺寸，降低网络的计算复杂度，并且提取最显著的特征。
2023-11-07 19:15:31
31
原创 深度学习里的多层感知机
随着深度学习的发展，多层感知机往往包含多个隐藏层，形成深层网络。多层感知机作为深度学习的基础模型，具有重要的理论意义和实际应用，它不仅拓展了神经网络模型的表达能力，也推动了深度学习技术的发展。常用的激活函数包括Sigmoid、ReLU、Tanh等，在不同情况下可以帮助模型更好地学习数据的非线性关系，加速模型收敛速度，提高模型表达能力。为了克服感知机的局限性，多层感知机引入了隐藏层，使得模型能够学习到更加复杂的特征表示。单隐藏层的多层感知机已经能够解决一些复杂的非线性分类问题，提高了模型的表达能力。
2023-11-07 19:06:58
50
原创 深度学习里的线性回归
它将神经网络的输出转换为一个概率分布，其中每个类别的概率与该类别对应的神经元的输出相关。深度学习通过使用深层神经网络实现了对更复杂任务的处理，这将在未来为人工智能的发展带来更多的机遇和挑战。在本文中，我们将从机器学习谈起，逐步介绍线性回归、神经网络、梯度算法和softmax，最终引出深度学习。其中，$y$ 是输出标量，$b$ 是偏差，$w_i$ 是权重，$x_i$ 是输入特征向量中的第 $i$ 个元素。我们可以使用梯度下降算法来训练线性回归模型，以便找到最佳的 $b$ 和 $w_i$ 来最小化预测误差。
2023-11-07 19:00:07
45
原创 机器学习，菜鸟理解版
2. 无监督学习：无监督学习算法则不需要给出明确的输出，它通过分析数据的结构和模式来发现数据中的隐藏关系。训练模型的过程就是让计算机根据已有的数据，通过学习和调整模型参数，找到最佳的表示数据的规律的方式。然后，使用这个训练好的模型对新的数据进行预测或者分类。监督学习适用于需要进行分类或预测的问题，无监督学习适用于数据探索和发现隐藏模式的问题，而强化学习适用于需要找到最佳决策策略的问题。4. 模型选择和训练：选择适合问题的机器学习模型，并利用训练数据对模型进行训练，调整模型参数以达到最佳性能。
2023-11-01 19:00:57
44
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