- 博客(7)
- 收藏
- 关注
原创 卷积神经网络
引入假设我们要在某一张图像中找到一个物体,直观地感受来说,当我们在看一张图片的时候,寻找某个人或某样东西,无论它在哪里,我们都只关注目标,常常是扫描整张图片,期望把它找出来。因此,我们可以设计一个“目标检测器”扫描图像,该监测器将图像分割成多个区域,并为每个区域包含目标的可能性打分。卷积神经网络就是将“空间不变性”这一概念系统化,从而基于这个模型使用较少的参数来学习游泳的表示。检测器主应该有两个特性——平移不变性(translation invariance):不管检测对象出现在图像中的哪个位置,
2021-11-12 16:09:15
1024
1
原创 softmax回归从零开始实现
softmax回归从零开始实现""""***********************1.初始化模型参数*************"""#1.1 把每个28x28的样本图像展平为长度784的向量# 因为有10个类别,所以网络输出维度为10num_inputs = 784num_outputs = 10#权重将构成一个784×10的矩阵,偏置将构成一个1×10的行向量。#与线性回归一样,我们将使用正态分布初始化我们的权重W,偏置初始化为0。W = torch.normal(0,0.01
2021-10-26 10:25:59
381
原创 第五节——softmax回归
softmax回归 一个分类问题回归估计一个连续值,分类预测一个离散类别从回归到多类分类回归——单连续数值输出自然区间R跟真实值的区别作为损失分类——通常多个输出输出i是预测为第i类的置信度从回归的单输出,变为多个输出,输出的个数为类别个数。如何从回归过渡到分类?首先,对类别进行编码。类别可能是数、字符串等。假设n个类别,可以进行一位有效编码:y=[y1,y2,...,yn]Ty=[y_1,y_2,...,y_n]^Ty=[y1,y2,...,yn]Tyi={0other
2021-10-26 10:25:40
400
原创 线性回归的从零开始实现(pytorch)
#1. 定义一个线性回归函数,返回值为自变量X和函数值ydef synthetic_data(w,b,num_examples): #******************1.1 定义1000x2大小的数据集X****************** X = torch.normal(0,1,(num_examples,len(w))) #torch.normal(means, std, out=None),means(tensor)-均值,std(tensor)-标准差,out(tensor)-.
2021-10-26 10:25:11
678
2
原创 李沐机器学习第四节——线性回归
李沐机器学习第四节——线性回归欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器你好! 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何
2021-10-26 10:24:39
796
原创 李沐机器学习第三节——矩阵计算(导数)
矩阵求导函数不可微时怎么办?——(将导数拓展到不可微的函数) 亚导数梯度——将导数拓展到向量(要搞清“形状”)(y是标量,x是标量,导数也是标量;y是标量,x是向量/y是向量,x是标量,导数是向量;y是向量,x也是向量,导数是一个矩阵。)y是标量,x是向量(梯度指向值变化最大的方向,梯度向量与等高线正交)函数举例:y是向量,x是标量(梯度指向值变化最大的方向,梯度向量与等高线正交)y是向量,x也是向量,导数是一个矩阵。...
2021-10-26 10:20:18
1765
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人