人工智能
文章平均质量分 67
夏虫冰语
不断前行的学习者。
展开
-
如何用计算图计算逻辑回归的偏导数
在计算逻辑回归的偏导数时,我们可以使用计算图来描述计算过程。然后我们就可以使用这些偏导数来更新权重W和偏差b,从而完成一次迭代。原创 2023-01-17 18:17:27 · 220 阅读 · 0 评论 -
神经网络简单描述
总之,用更复杂的数学来表达神经网络学习过程,就是在使用概率统计和凸优化等高级数学知识来描述网络的输入输出关系,并通过最大似然估计和梯度下降法来寻找权重和偏差的最优解。神经网络的学习过程就像是一个人在爬山,网络的输入就是他出发的起点,输出就是他到达的终点,权重和偏差就是他在爬山过程中会用到的工具(如登山鞋,登山杖等)。在这一过程中,权重就像是登山鞋的重量,它越重,爬山就越难,但如果鞋子太轻,脚就不稳,容易滑倒。首先,网络的输入为x,权重矩阵为W,偏差为b,输出为y。在一般的情况下,这些参数都需要学习。原创 2023-01-17 18:08:23 · 202 阅读 · 0 评论 -
图片数据预处理
对于大量的图片数据,我们可以使用 TensorFlow 的数据读取函数,如 tf.data.Dataset, tf.keras.preprocessing.image_dataset_from_directory 来读取并预处理图片数据.在上面的代码中,我们使用tf.data.Dataset.from_tensor_slices函数读取了图片文件名,并使用map函数将预处理函数应用到每一张图片上。在实际使用中,图片数据通常需要进行预处理,以确保数据的质量和可重复性。原创 2023-01-17 17:48:52 · 2364 阅读 · 0 评论 -
如何将数据输入到神经网络中
创建占位符:在 TensorFlow 中,可以使用 placeholder 函数创建占位符节点,用于存储输入数据。在实际应用中,还可以使用数据读取和预处理库,如 TensorFlow 的 tf.data 库,来简化数据输入过程。训练模型:最后,可以使用 sess.run() 函数将数据输入到网络中,并运行训练过程。准备数据:首先需要准备好需要输入到网络中的数据,通常是图像,文本或其他数值。预处理数据:在输入数据之前,需要对数据进行预处理,例如归一化,缩放和编码。原创 2023-01-17 17:25:01 · 2943 阅读 · 4 评论 -
计算图简单介绍
计算图是一种用来表示计算过程的数据结构。它通常由节点和边组成。节点(Node): 表示计算单元,如矩阵乘法、加法等。边(Edge): 表示数据流动,即数据在计算单元之间的传递。图(Graph): 表示整个计算过程,由节点和边组成。拓扑结构(Topological Structure):计算图中节点之间的结构关系。输入节点(Input Node): 表示输入数据,如训练集中的图像.输出节点(Output Node): 表示输出结果,如识别后的文字.原创 2023-01-17 17:12:15 · 3925 阅读 · 0 评论