- 博客(4)
- 收藏
- 关注
RSS订阅原创 4.RNN，GRU，LSTM，GAN，Transformer
数值特征不适合表示类别，因此一般使用独热编码；在独热编码中，每个离散变量的可能取值被映射到一个高维空间中的一个点，在这个点上，对应于该取值的维度值为1，而其他维度的值为0。例如，如果有三个离散状态（如红色、绿色和黄色），则可以使用独热编码将它们表示为三个向量：(001)、(010)和(100)。这种编码方式适用于机器学习和深度学习中的分类变量，因为它将分类变量转换为适合算法处理的多维向量形式。独热编码的优点包括适用于大多数算法、避免特征之间的大小关系干扰模型训练，以及能够很好地处理分类变量。
2024-05-12 22:41:16
881
原创 2.卷积神经网络
VGG-16的创新之处在于使用多个较小卷积核的卷积层代替大卷积核的卷积层，增加了网络的深度。AlexNet包含8层可学习的参数层，分别是5层卷积和3层全连接层、网络入了RelU非线性激活、最大池化、丢弃(Dropout)和局部响应归一化等新颖技术，显著提高了训练的速度和准确率。卷积神经网络通过卷积层提取图像特征，卷积操作可以捕获图像的局部特征，在图像卷积时，根据定义，需要首先把卷积核上下左右翻转，但在实际操作中，由于卷积核通常是对称的，这一步骤可以被忽略。对于卷积层和池化层梯度的计算涉及特定的公式。
2024-04-10 14:54:44
482
1
原创 神经网络与深度学习第一周课程学习
网络的输入、输出向量，神经元用节点表示，网络由输入层、隐层和输出层节点组成，隐层可一层，也可多层（图中是单隐层），前层至后层节点通过权联接。定理2：若隐层节点（单元）可任意设置，用三层S型非线性特 性节点的网络，可以一致逼近紧集上的连续函数或按 范数逼近紧集上的平方可积函数。正向传播是输入信号从输入层经隐层，传向输出层，若输出层得到了期望的输出，则学习算法结束；定理1：若隐层节点（单元）可任意设置，用三层阈值节点的网络，可以实现任意的二值逻辑函数。，是有导师的学习，它是梯度下降法在多层前馈网中的应用。
2024-03-29 21:13:00
365
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