动手学深度学习-task4打卡

最新推荐文章于 2024-08-08 21:16:11 发布

Aileen爱学习

最新推荐文章于 2024-08-08 21:16:11 发布

阅读量173

点赞数

分类专栏：动手学深度学习文章标签：深度学习

本文链接：https://blog.csdn.net/weixin_38224000/article/details/104384363

版权

动手学深度学习专栏收录该内容

9 篇文章 0 订阅

订阅专栏

占坑~后续补上

task4的学习内容有：

机器翻译
注意力机制与Seq2Seq
Transform**

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Aileen爱学习

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
动手学深度学习-task4打卡

占坑~后续补上task4的学习内容有：机器翻译注意力机制与Seq2SeqTransform**
复制链接

扫一扫

专栏目录

ElitesAI·动手学深度学习PyTorch版Task03打卡

01-06

Task3打卡 1、过拟合、欠拟合及其解决方案目录：相关的基本概念权重衰减过拟合、欠拟合解决方法 1、相关的基本概念训练误差：模型在训练数据集上表现出的误差。泛化误差：模型在任意一个测试数据样本上表现...

动手学深度学习（Pytorch版）task3-5打卡

01-20

对于task3-5的内容进行打卡 Task03：过拟合、欠拟合及其解决方案；梯度消失、梯度爆炸；循环神经网络进阶模型复杂度和误差之间的关系权重衰减的计算公式： Xavier初始化梯度裁剪循环神经网络中较容易出现梯度...

参与评论您还未登录，请先登录后发表或查看评论

动手学深度学习-task3打卡

weixin_38224000的博客

02-18

164

占坑后续补上~ task3的任务为：过拟合欠拟合及解决方案梯度消失、梯度爆炸 RNN进阶

Open Learning Camp - 《动手学深度学习》Task 4 打卡

qq_36398723的博客

03-28

好累，先留个坑。

动手学深度学习-CNN系列-task5打卡

weixin_38224000的博客

02-18

229

task5的学习内容有： 1. CNN基础 2. LeNet 3. CNN进阶：AlexNet、VGG、NiN、GoogLeNet 首先学习了卷积神经网络的基础，并介绍了在此思想的基础上的几种变型网络。它们各自有着不同的优缺点和适用环境。下面进行具体的介绍~ 一、卷积神经网络基础主要介绍的是卷积层、池化层、填充（padding）、步幅（stride）、输入/输出通道的含义。 1.卷积层我们...

《动手学深度学习》Task02打卡

weixin_44922175的博客

02-14

138

针对文本预处理的认识文本是一类序列数据，一篇文章可以看作是字符或单词的序列，本节将介绍文本数据的常见预处理步骤，预处理通常包括四个步骤：读入文本分词建立字典，将每个词映射到一个唯一的索引（index）将文本从词的序列转换为索引的序列，方便输入模型用现有工具进行分词我们前面介绍的分词方式非常简单，它至少有以下几个缺点: 标点符号通常可以提供语义信息，但是我们的方法直接将其丢弃了 ...

《动手学深度学习》组队学习——Task1-2打卡

m0_51944401的博客

03-20

141

参加组队学习的学习笔记。

Open Learning Camp - 《动手学深度学习》Task 3 打卡

qq_36398723的博客

03-23

141

今天的任务是线性神经网络，记得大学的时候还手写过，关键内容就是梯度下降和反向传播的概念。对于线性神经网络没有复杂的结构，本质上还是pytorch 的学习和使用。

《动手学深度学习》Task01打卡

weixin_44922175的博客

02-14

205

针对线性回归的认识和大多数深度学习一样，对于线性回归这样的一种单层神经网路，它的基本要素包括模型、训练数据、损失函数和优化算法。既可以用神经网络图表示线性回归，又可以用矢量计算表示该模型。应该尽可能采用矢量计算，以提升计算效率。使用线性模型来生成数据集，生成一个1000个样本的数据集。为了简单起见，这里我们假设价格只取决于房屋状况的两个因素，即面积（平方米）和房龄（年）。接下来我们希望...

《动手学深度学习》组队学习——Task4打卡

m0_51944401的博客

03-27

160

组队学习Task学习笔记打卡

《动手学深度学习（Pytorch版）》Task01：初识深度学习——4.22打卡

无名小秃瓢的博客

04-22

1411

（gradient descent）：常用的优化算法，在每个步骤中，梯度下降法都会检查每个参数，看看如果仅对该参数进行少量变动，训练集损失会朝哪个方向移动。然后，它在可以减少损失的方向上优化参数。（neural networks）：一种模仿生物神经网络（动物的中枢神经系统，特别是大脑）的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。（reinforcement learning）：让智能体(agent)在与环境交互的过程中，通过学习最优的行为策略，来实现最大的回报或目标。

ElitesAI·动手学深度学习PyTorch版Task05打卡

01-06

卷积神经网络神经网络结构：卷积神经网络是神经网络模型的改进版本，依旧是层级网络，只是层的功能和形式做了变化，如：卷积神经网络的层级结构 • 数据输入层/ Input layer 　• 卷积计算层/ CONV layer ...

ElitesAI·动手学深度学习PyTorch版-第二次打卡task02

01-06

1、机器翻译机器翻译（MT）：将一段文本从一种语言自动翻译为另一种语言，用神经网络解决这个问题通常称为神经机器翻译（NMT）。主要特征：输出是单词序列而不是单个单词。输出序列的长度可能与源序列的长度不同...

《动手学深度学习》第二次打卡-学习小队

01-06

一、学习任务： Task03：过拟合、欠拟合及其解决方案；梯度消失、梯度爆炸；循环神经网络进阶 Task04：机器翻译及相关技术；注意力机制与Seq2seq模型；Transformer Task05：卷积神经网络基础；leNet；卷积神经网络...

第R2周：LSTM-火灾温度预测：一文搞懂LSTM（长短期记忆网络）

lihuhelihu的博客

08-07

664

LSTM在许多问题上效果非常好，现在被广泛使用。长期依赖问题：在传统的RNN中，当序列非常长时，网络往往会遇到梯度消失或梯度爆炸的问题，导致难以捕捉到序列中长距离的依赖关系。因此，LSTM通过引入门控结构和细胞状态，有效地解决了传统RNN在处理长序列数据时遇到的梯度消失、长期依赖等问题，使得其在语言建模、时间序列预测、机器翻译等任务中取得了显著的进展。●问题描述：RNN在处理长序列时，由于信息的传递是通过隐藏状态进行的，随着时间的推移，较早时间步的信息可能会在传递到后面的时间步时逐渐消失或被覆盖。

冠豪猪优化算法（CPO）、卷积神经网络（CNN）与支持向量机（SVM）结合的预测模型（CPO-CNN-SVM）及其Python和MATLAB实现

最新发布

qq_45441438的博客

08-08

1051

然而，传统的CNN模型通常需要大量的标注数据和长时间的训练，且对特征的选择和模型参数的调优敏感。3. **处理复杂数据**：在面对高维、非线性的数据时，如图像数据，简单的算法往往无法得到令人满意的结果，而CNN-SVM的组合可以更好地拟合这些数据。1. **提升准确率**：将CNN与SVM相结合能够充分利用CNN的特征提取能力和SVM的分类能力，从而提高模型的预测准确度。3. **扩展性**：未来可以将此模型推广到其他任务中，如语音识别、文本分类等，通过增加更多的输入特征提升模型的泛化能力。

Windows 11下RTX 4090深度学习及大模型微调环境安装指南

wangjye99的博客

08-07

461

在安装深度学习及大模型微调环境时，经历了多次反复操作（如CUDA、cuDNN、PyTorch的安装与卸载）。为了避免走弯路，因此进行了安装后的总结，供大家参考。

基于深度学习的Dst 预报模型

u014546828的博客

08-07

816

The Astrophysical Journal Supplement Series, 248:14 (11pp), 2020 MayPrediction of the Dst Index with Bagging Ensemble-learning Algorithm (iop.org)AbstractThe Dst index is a commonly geomagnetic index used to measure the strength of geomagnetic activity. Th

动手学深度学习pytorch环境搭建gpu

09-03

为了在GPU上搭建动手学深度学习pytorch环境，你需要按照以下步骤进行操作。首先，你需要安装Anaconda来管理你的Python环境。你可以从官方网站 https://www.anaconda.com/ 下载适用于你操作系统的Anaconda安装程序。安装完成后，你可以使用conda命令创建一个新的环境。接下来，你需要安装CUDA。CUDA是用于支持GPU计算的NVIDIA的并行计算平台和API模型。你可以从NVIDIA的官方网站下载适用于你的显卡型号的CUDA安装程序进行安装。然后，你需要安装CUDNN。CUDNN是一个针对深度神经网络加速的GPU库。你可以从NVIDIA的开发者网站下载CUDNN并按照安装说明进行安装。接下来，你可以使用conda命令来安装pytorch。你可以复制以下命令，在新建的环境中输入： ``` conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch ``` 安装完成后，你可以在命令行中输入python进入Python解释器环境，并导入torch模块来测试pytorch的安装。你可以使用以下代码进行测试： ```python import torch from __future__ import print_function x = torch.rand(5, 3) print(x) print(torch.cuda.is_available()) # 测试CUDA是否可用 ``` 这样，你就成功搭建了动手学深度学习pytorch环境，并且可以在GPU上进行深度学习任务了。123 #### 引用[.reference_title] - *1* *2* *3* [01 动手学习深度学习-配置环境pytorch](https://blog.csdn.net/qq_44653420/article/details/123883400)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]