人智导实验
代维7
这个作者很懒,什么都没留下…
展开
-
人工智能导论实验——前馈神经网络
优化器是神经网络训练过程中非常重要的结构,正是因为优化器的存在帮助初始化参数的网络一步步学习到了符合训练集数据特征的最优参数。本实验主要介绍如何使用MindSpore进行优化实验。通过分析无优化器、SGD优化器、Momentum优化器、Adam优化器模型在求极值点和分类任务下的结果 ,得到不同优化器的作用。1)初级实验:①手写体图像识别实验;通过实验了解全连接神经网络的结构,应用全连接网络处理分类和回归任务。6)验证模型,加载测试数据集和训练后的模型,验证结果精度。2)中级实验:①鸢尾花分类任务对比实验。原创 2023-01-08 11:33:27 · 747 阅读 · 0 评论 -
人工智能导论实验——基于MindSpore的广告推荐
模型的核心代码文件为:wide_and_deep/src/wide_and_deep.py。在MindSpore中,深度学习网络的定义方式和Pytorch比较接近,先定义网络结构所需的所有组件,然后在construct函数中对调用这些组件来组成完整的网络。本实验需要搭建的是Wide&Deep网络,它由Wide和Deep两个部分组成。使用脚本preprocess_data.py预处理数据,在data / mindrecord下生成mindrecord数据。原创 2023-01-08 11:30:00 · 314 阅读 · 0 评论 -
人工智能导论实验——KNN
k近邻法(k-nearest neighbor,k-NN)是一种基本的分类和回归方法,是监督学习方法里的一种常用方法。分类时,对新的实例,根据其k个最近邻的训练实例类别,通过多数表决等方式进行预测。k近邻法三要素:距离度量、k值的选择和分类决策规则。k值的选择反映了对近似误差与估计误差之间的权衡,通常由交叉验证选择最优的k。分类决策规则往往是多数表决,即由输入实例的k个邻近输入实例中的多数类决定输入实例的类。模型训练时间快,上面说到KNN算法是惰性的,这里也就不再过多讲述。1) 了解KNN的基本概念;原创 2023-01-03 10:22:23 · 718 阅读 · 0 评论 -
人工智能导论实验——线性回归
yn),然后我们假设它们之间的关系是:f(x)=ax+b。那么线性回归的目标就是如何让f(x)和y之间的差异最小,在回归问题中,均方误差是回归任务中最常用的性能度量。1.⽣成⼀个包含1000个样本的数据集,每个样本包含从标准正态分布中采样的1个特征。4.训练模型,在每次迭代中,读取⼀⼩批量训练样本,并通过模型来获得⼀组预测。3.定义损失函数,因为需要计算损失函数的梯度,所以应该先定义损失函数。基于随机生成的数据,进行线性回归实验,实现对数据的拟合。2.定义模型,将模型的输⼊和参数同模型的输出关联起来。原创 2022-12-30 20:07:48 · 953 阅读 · 0 评论