![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习基础
文章平均质量分 80
开始进军深度学习之前,需要把基础知识掌握牢固。
Wanncye
种一棵树最好的时间是十年前,以及现在。
展开
-
NLP模型小总结
NLP模型一点简短得不能再简短的总结原创 2022-04-22 01:17:16 · 1606 阅读 · 0 评论 -
Pytorch矩阵乘法总结
pytorch一共有5种乘法*乘,element-wise乘法,支持broadcast操作torch.mul(),和*乘完全一样torch.mm(),矩阵叉乘,即对应元素相乘相加,不支持broadcast操作torch.bmm(),三维矩阵乘法,一般用于mini-batch训练中torch.matmul(),叉乘,支持broadcast操作先定义下面的tensor(本文不展示print结果):import torchtensorA_2x3 = torch.tensor( [[1原创 2021-08-08 17:34:29 · 11317 阅读 · 0 评论 -
逻辑回归交叉熵推导及其求偏导
逻辑回归虽然叫做回归,但是它实际上做的是分类任务。以下是逻辑回归的一些基础知识。1. 交叉熵推导Sigmoid公式为:g(z)=11+e−zg(z)=\frac{1}{1+e^{-z}}g(z)=1+e−z1图像为:因为Sigmoid函数的定义域为(−∞-\infty−∞,+∞+\infty+∞),值域为(0,1),概率正好也是这个区间,因此很适用于二分类问题。z相当于线性回归中的预测值,将其输入Sigmoid函数中就可以得到预测概率,有以下公式:(1)其中:(2)相当于线性回归中拟合原创 2020-05-25 10:33:05 · 1578 阅读 · 0 评论 -
线性回归均方误差(MSE)的推导
刚开始学习机器学习的时候就接触了均方误差(MSE,Mean Squared Error),当时就有疑惑,这个式子是怎么推导的,但是因为懒没有深究。今天看到了唐宇迪老师的机器学习课程,终于理解他是怎么推导的了。问题描述我们有工资和年龄两个特征,要预测银行会带宽给我们多少钱。1. 拟合函数假设:年龄:x1x_1x1工资:x2x_2x2年龄的参数:θ1θ_1θ1工资的参数:θ2θ_2θ2那么有拟合函数:(1)将它转化为矩阵表达形式为:(2)其中x0全为1。2. 误差真实值和预原创 2020-05-24 11:56:22 · 14490 阅读 · 2 评论 -
python中的可视化库-matplotlib
matplotlib是基于Python语言的开源项目,旨在为Python提供一个数据绘图包。下面介绍一些常用的基本操作。1.折线图以美国1948年每个月的失业率作为例子,代码如下:import matplotlib.pyplot as pltimport pandas as pd#使用pandas读取csv文件unrate = pd.read_csv('unrate.csv')#将csv文件中非时间格式的时间数据转化为时间格式unrate['DATE'] = pd.to_datetime(u原创 2020-05-21 18:02:54 · 326 阅读 · 0 评论 -
python中的数据分析处理库-Pandas
pandas 是基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型,提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现,它是使Python成为强大而高效的数据分析环境的重要因素之一。有时候使用numpy可能需要几行代码,但是使用pandas一行就能解决。下面介绍一些pandas库常用的操作。1级标题2级标题3级标题四级标题五级标题六级标题...原创 2020-05-20 12:10:29 · 498 阅读 · 0 评论 -
python中的科学计算库-Numpy
1. numpy.genfromtxt作用:从txt文件中读取数据,得到一个列表最常用的为genfromtxt(filename, delimiter=",", dtype=“str”)。filename:被读取文件的名字delimiter:txt文件中不同属性数据之间的分隔符dtype:读取出的数据的类型,默认为float类型例如,有一个test.txt文件,内容如下:name,age,gender,numwcy,18,m,1wwk,17,m,2tl,25,f,3test= nump原创 2020-05-19 11:47:23 · 355 阅读 · 0 评论