UCB-STAT157
gdtop818
这个作者很懒,什么都没留下…
展开
-
[STAT-157] Data processing(mxnet: nd autograd)
课程Youtube:Deep Learning UC Berkeley STAT-157 课本:动手学深度学习 代码:d2l-ai 2.2. 数据操作 在深度学习中,我们通常会频繁地对数据进行操作。作为动手学深度学习的基础,本节将介绍如何对内存中的数据进行操作。 在MXNet中,NDArray是一个类,也是存储和变换数据的主要工具。为了简洁,本书常将NDArray实例直接称作NDArr...原创 2019-03-19 20:42:12 · 560 阅读 · 0 评论 -
[STAT-157] Linear Regression
课程Youtube:Deep Learning UC Berkeley STAT-157 课本:动手学深度学习 代码:d2l-ai 3.1. 线性回归 线性回归输出是一个连续值,因此适用于回归问题。回归问题在实际中很常见,如预测房屋价格、气温、销售额等连续值的问题。与回归问题不同,分类问题中模型的最终输出是一个离散值。我们所说的图像分类、垃圾邮件识别、疾病检测等输出为离散值的问题都属于分...原创 2019-03-19 23:22:47 · 1279 阅读 · 0 评论 -
[STAT-157] Softmax
课程Youtube:Deep Learning UC Berkeley STAT-157 课本:动手学深度学习 代码:d2l-ai 3.4. softmax回归 前几节介绍的线性回归模型适用于输出为连续值的情景。在另一类情景中,模型输出可以是一个像图像类别这样的离散值。对于这样的离散值预测问题,我们可以使用诸如softmax回归在内的分类模型。和线性回归不同,softmax回归的输出单元...原创 2019-03-20 23:31:37 · 2703 阅读 · 0 评论 -
[STAT-157] Fashion-MNIST
课程Youtube:Deep Learning UC Berkeley STAT-157 课本:动手学深度学习 代码:d2l-ai 图像分类数据集(Fashion-MNIST) 在介绍softmax回归的实现前我们先引入一个多类图像分类数据集。它将在后面的章节中被多次使用,以方便我们观察比较算法之间在模型精度和计算效率上的区别。图像分类数据集中最常用的是手写数字识别数据集MNIST...原创 2019-03-20 23:45:06 · 787 阅读 · 1 评论 -
[STAT-157] Kaggle: House Price
课程Youtube:Deep Learning UC Berkeley STAT-157 课本:动手学深度学习 代码:d2l-ai 3.16. 实战Kaggle比赛:房价预测 作为深度学习基础篇章的总结,我们将对本章内容学以致用。下面,让我们动手实战一个Kaggle比赛:房价预测。本节将提供未经调优的数据的预处理、模型的设计和超参数的选择。我们希望读者通过动手操作、仔细观察实验现象...原创 2019-03-24 18:08:29 · 1540 阅读 · 0 评论 -
[STAT-157] Building Model, parameters, initialization,
4.1. 模型构造 让我们回顾一下在“多层感知机的简洁实现”一节中含单隐藏层的多层感知机的实现方法。我们首先构造Sequential实例,然后依次添加两个全连接层。其中第一层的输出大小为256,即隐藏层单元个数是256;第二层的输出大小为10,即输出层单元个数是10。我们在上一章的其他 节中也使用了Sequential类构造模型。这里我们介绍另外一种基于Block类的模型构造方法:它让模型构造更...原创 2019-03-24 18:57:52 · 497 阅读 · 0 评论 -
[STAT-157] Proceptron
课程Youtube:Deep Learning UC Berkeley STAT-157 课本:动手学深度学习 代码:d2l-ai 3.8多层感知机 我们已经介绍了包括线性回归和softmax回归在内的单层神经网络。然而深度学习主要关注多层模型。在本节中,我们将以多层感知机(multilayer perceptron,MLP)为例,介绍多层神经网络的概念。 3.8.1. 隐藏层...原创 2019-03-22 20:02:06 · 786 阅读 · 0 评论 -
[STAT-157] ModelSelect, dropout, bp
课程Youtube:Deep Learning UC Berkeley STAT-157 课本:动手学深度学习 代码:d2l-ai 3.11. 模型选择、欠拟合和过拟合 在前几节基于Fashion-MNIST数据集的实验中,我们评价了机器学习模型在训练数据集和测试数据集上的表现。如果你改变过实验中的模型结构或者超参数,你也许发现了:当模型在训练数据集上更准确时,它在测试数据集上却不...原创 2019-03-23 12:06:08 · 1121 阅读 · 0 评论