政安晨：示例演绎机器学习中（深度学习）神经网络的数学基础——快速理解核心概念（二）{两篇文章讲清楚}

已于 2024-03-29 17:19:17 修改
阅读量1.7k 收藏 24
点赞数 37
分类专栏： TensorFlow与Keras机器学习实战 文章标签： 机器学习 深度学习 神经网络 Python 数学基础 张量运算 Numpy
于 2024-02-10 17:33:59 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/snowdenkeke/article/details/136090846
版权
本文深入探讨了深度学习中神经网络的数学基础，重点讲解了张量运算，包括逐元素运算、广播、张量积和张量变形。张量运算作为机器学习中的基础，是理解深度学习模型的关键。文中通过实例介绍了NumPy中的张量运算实现，并解释了这些运算在几何空间中的意义。
摘要由CSDN通过智能技术生成

目录

​编辑

张量运算

逐元素运算

广播

张量积

张量变形

张量运算的几何解释

机器学习的目的

政安晨的个人主页：政安晨

欢迎 👍点赞✍评论⭐收藏

收录专栏: TensorFlow与Keras机器学习实战

希望政安晨的博客能够对您有所裨益，如有不足之处，欢迎在评论区提出指正！

这一篇与上一篇是兄弟篇，意在通过两篇文章讲清楚深度学习中神经网络的数学基础，第一次看到这篇文章的小伙伴可以从上一篇文章看起（包括搭建环境等等都在上一篇），上一篇链接如下：

了解本专栏 订阅专栏 解锁全文 超级会员免费看
政安晨
关注
专栏目录
订阅专栏
政安晨：示例演绎机器学习中（深度学习）神经网络的数学基础——快速理解核心概念（一）{两篇文章讲清楚}
政安晨——致力于AI人工智能数字互动领域
02-10 1807
进入人工智能领域免不了与算法打交道，算法依托数学基础，很多小伙伴可能新生畏惧，不用怕，算法没那么难，也没那么玄乎，未来人工智能时代说不得人人都要了解算法、应用算法。 本文试图以一篇文章，用程序演绎的方式给大家把这里面的数学基础先讲清楚，以便于咱们未来深入，呵呵。 机器学习中，那些“机器”学习的是什么？——数据。学习到的是什么？——模式和规律（或者说是可以解决实际问题的模型）。
政安晨：专栏目录【TensorFlow与Keras】【机器学习/深度学习/神经网络/实例实战】
政安晨——致力于AI人工智能数字互动领域
03-25 2193
本文篇是作者政安晨的专栏《TensorFlow与Keras实战演绎机器学习》的总纲，专栏文章不断更新，这篇总纲也会随着专栏不断更新。 TensorFlow给自己的定位是端到端机器学习平台，是一个开源的机器学习框架，用于构建和训练各种机器学习模型。 Keras给自己的定位是一个用 Python 编写的高级神经网络 API，是一个开源的高级神经网络库，用于构建和训练深度学习模型。
政安晨：梯度与导数～示例演绎《机器学习·神经网络》的高阶理解
政安晨——致力于AI人工智能数字互动领域
02-11 1656
在机器学习中，神经网络是一种常用的模型，用于解决各种问题，如图像识别、自然语言处理等。神经网络通过一系列的神经元（也称为节点）组成的层次结构来模拟人脑的神经系统。 神经网络的训练过程可以看作是一个优化问题，目标是找到最优的参数来最小化损失函数。为了实现这个目标，梯度和导数是非常重要的概念。 梯度是损失函数对于参数的导数。在神经网络中，我们使用梯度来更新参数，以使损失函数最小化。通过计算损失函数对于每个参数的梯度，我们可以确定应该如何调整参数的值，以逐渐减少损失。 导数是函数在某一点的斜率或变化率。在神
政安晨：【完全零基础】认知人工智能（一）【超级简单】的【机器学习神经网络】 —— 预测机
政安晨——致力于AI人工智能数字互动领域
02-18 1567
很多小伙伴们很想亲近人工智能与机器学习领域，然而这个领域里的核心理论、算法、工具给人感觉都太过“高冷”，让很多小伙伴们望而却步，导致一直无法入门。 如何捅破这层窗户纸？ 让高冷的不再高冷，让神秘的不再神秘！ 不要怕它，伙计们，咱们以这个小系列文章零基础入门。
政安晨——基于Anaconda安装TensorFlow并尝试一个神经网络小实例
政安晨——致力于AI人工智能数字互动领域
01-27 2740
如果想要在深度学习的过程中马上动手尝试点什么，比较好的方案是把环境配置起来后，上手跑一把程序，现在让我们开始吧。
政安晨：【深度学习神经网络基础】（五）—— 霍普菲尔德神经网络和玻尔兹曼机
政安晨——致力于AI人工智能数字互动领域
04-10 1767
这两种经典神经网络虽然都没有在现代AI应用程序中广泛使用，但两者都是现代算法的基础。 玻尔兹曼机构成了深度信念神经网络（Deep Belief Neural Network，DBNN）的基础，它是深度学习的基本算法之一。 霍普菲尔德神经网络是一种非常简单的神经网络，它具备许多特性，这些特性也是更复杂的前馈神经网络所具有的。 玻尔兹曼机是一种神经网络架构，它与霍普菲尔德神经网络有许多共同的特征。但是，与霍普菲尔德神经网络不同，你可以利用玻尔兹曼机堆叠深度信念神经网络。
政安晨的深度学习笔记——缘起
政安晨——致力于AI人工智能数字互动领域
01-21 1099
深度学习（Deep Learning，DL）——近几年来被推至互联网风口的人工智能（Artificial Intelligence，AI）前沿技术。深度学习是机器学习（Machine Learning，ML）的一个分支和延伸，是人工智能领域的前沿技术。人工智能包含机器学习，而机器学习又包含深度学习。AI给出人工智能的定义为：“人工智能是一种使机器能够像人一样思考、学习、理解、推理和解决问题的技术。
【嵌入式智能产品开发实战】（二）—— 政安晨：嵌入式系统基本素养【处理器原理】
政安晨——致力于AI人工智能数字互动领域
03-13 1771
嵌入式系统的基本素养包括以下几个方面： 硬件知识; 软件编程; 系统设计能力; 实时系统知识;通信协议和接口;调试和故障排除能力;学习和研究能力。
政安晨：【完全零基础】认知人工智能（四）【超级简单】的【机器学习神经网络】—— 权重矩阵
政安晨——致力于AI人工智能数字互动领域
02-19 1414
在人工智能神经网络中，矩阵乘法是神经网络中非常重要的操作之一。 1. 在前向传播过程中，输入与权重矩阵相乘，并经过激活函数，得到神经网络的输出。 2. 在神经网络中，我们也需要通过反向传播算法来调整权重矩阵，使得网络的输出与目标输出尽可能接近。 矩阵乘法反向传播误差就是在反向传播过程中计算误差梯度的一种方法。具体而言，它使用了链式法则和矩阵乘法的运算规则。 梯度下降法是求解函数最小值的一种很好的办法，当函数非常复杂困难，并且不能轻易使用数学代数求解函数时，这种方法却发挥了很好的作用。
政安晨：【示例演绎机器学习】（二）—— 神经网络的二分类问题示例（影评分类）
政安晨——致力于AI人工智能数字互动领域
02-22 1079
在人工智能机器学习领域中，神经网络是一种模拟人类神经系统的算法模型。它由许多互相连接的人工神经元组成，可以用于分类和回归任务。 神经网络的分类是指将输入数据映射到不同的类别中。在训练过程中，神经网络通过调整连接权重和激活函数的参数，学习如何将输入数据映射到正确的类别。常见的神经网络分类模型包括多层感知机（MLP），卷积神经网络（CNN），循环神经网络（RNN）等。 神经网络的回归是指将输入数据映射到连续的数值或函数。
政安晨：【示例演绎机器学习】（一）—— 剖析神经网络：学习核心的Keras API
政安晨——致力于AI人工智能数字互动领域
02-21 1252
TensorFlow是业界领先的数值计算框架，它可以在CPU、GPU或TPU上运行。它既可以自动计算任意可微表达式的梯度，也可以分布到许多设备上，还可以将程序导出到各种外部运行环境，甚至是JavaScript运行时。Keras是用TensorFlow进行深度学习的标准API。我们将在本书中一直使用它。TensorFlow的关键对象包括张量、变量、张量运算和梯度带。Keras的核心类是Layer。
政安晨：【示例演绎机器学习】（四）—— 神经网络的标量回归问题示例 (价格预测)
政安晨——致力于AI人工智能数字互动领域
02-24 2671
咱们这个系列的前面几篇机器学习示例演绎的文章中，演绎的都是分类问题，其目标是预测输入数据点所对应的单一离散标签。 其实还有另一种常见的机器学习问题是回归（regression）问题，它预测的是一个连续值，而不是离散标签，比如根据气象数据预测明日气温，或者根据软件说明书预测完成软件项目所需时间。回归问题使用的损失函数与分类问题不同。回归常用的损失函数是均方误差（MSE）。同样，回归问题使用的评估指标也与分类问题不同。显然，精度的概念不再适用于回归问题。常用的回归指标是平均绝对误差（MAE）。
机器学习Python实战-第三章-分类问题-1.K近邻算法
Hdejac的博客
09-28 647
详细解析K近邻算法，提供源码以及对应效果图。
线性方程组的迭代方法
jk_101的博客
09-28 909
数值线性代数最重要也是最常见的应用之一是可求解以 A*x = b 形式表示的线性方程组。当 A 为大型稀疏矩阵时，您可以使用迭代方法求解线性方程组，使用这一方法，您可在计算的运行时间与解的精度之间进行权衡。本主题介绍 MATLAB® 中可用于求解方程 A*x = b 的迭代方法。
【AI知识点】负对数似然损失函数（Negative Log-Likelihood Loss，NLL）
虾米记的博客
10-01 572
介绍：负对数似然损失函数（Negative Log-Likelihood Loss，NLL）
数值计算的程序设计问题举例
最新发布
cocofu的博客
10-01 489
在结构静力分析中，我们需要解决复杂的结构在外力作用下的响应，这通常会涉及到求解大量的线性代数方程组。具体来说，我们通过建立结构的刚度矩阵（Stiffness Matrix）和载荷向量（Load Vector），来计算节点位移（Node Displacement）和内部力（Internal Force）。2. **定义材料和几何属性**：设置每个单元的材料属性（如钢材的弹性模量）和几何属性（如梁的截面面积）。- **解决方法**：建立桥梁的有限元模型，形成刚度矩阵和载荷向量，然后求解对应的线性代数方程组。
diffusion vs GAN
Kuekua的专栏
09-27 829
条件生成对抗网络（cGAN）是 Pix2pix 的基础架构。传统的 GAN（生成对抗网络）包括一个生成器（Generator）和一个判别器（Discriminator），生成器从噪声分布中生成假样本，判别器则尝试区分真假样本。cGAN 则在此基础上加入了条件信息，使得生成过程不仅依赖于噪声，还依赖于特定的条件输入，从而引导生成器生成符合条件的样本。
解决方案：机器学习中，回归及分类常用的模型评估指标有哪些
weixin_42504788的博客
10-01 327
解决方案：机器学习中，回归及分类常用的模型评估指标有哪些
改进的故障树原理在特种车辆故障诊断系统中的应用
4. **集成智能算法**：利用人工智能技术，如模糊逻辑、神经网络或遗传算法，来辅助分析和决策，提高故障诊断的准确性和效率。 5. **用户友好界面**：设计直观易用的用户界面，使操作人员能快速理解和操作故障诊断...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

政安晨

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值