![](https://img-blog.csdnimg.cn/2019092715111047.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
神经网络
文章平均质量分 93
笔记
_一颗豆子_
一块一
展开
-
GE/GNN
图表示学习:起因:直接在图这种非结构的,数量不定(可能数目非常多),属性复杂的 图 上进行机器学习/深度学习是很困难的,而如果能处理为向量将非常的方便矩阵分解:因为从某种程度上图中的各节点关系可以视为稀疏的矩阵,那么基于矩阵分解的方法就可以得到低维的向量。随机游走的原理:是一个随机过程,可以看作一个马尔可夫模型,指给定一个图和一个出发点,随机地选择一个邻居结点,移动到邻居结点上,然后把当前结点作为出发点,重复以上过程,1、根据随机选出的结点可以构成一个序列,作为在图上的Random Walk过原创 2021-10-06 21:58:18 · 207 阅读 · 0 评论 -
自然语言处理
一、Textcnn:第一层为输入层。输入层是一个n*k的矩阵,其中n为一个句子中的单词数, k 是每个词对应的词向量的维度。这里为了使向量长度一致对原句子进行了padding操作。词向量可以是预先在其他语料库中训练好的,也可以作为未知的参数由网络训练得到预先训练的词嵌入可以利用其他语料库得到更多的先验知识,当前网络训练的词向量能够更好地抓住与当前任务相关联的特征。第二层为卷积层。输入层的"image"是一个由词向量拼成的词矩阵,且卷积核的宽和该词矩阵的宽相同,该宽度即为词向量大小,且卷积核只会在原创 2021-10-06 21:19:20 · 754 阅读 · 0 评论 -
定义及概率论相关
一、深度学习与机器学习机器学习是指令计算机按照设计与编程算法行事的技术。深度学习属于机器学习的一个子域,其相关算法受到人工神经网络的启发。深度学习如今皆通过监督式学习或有标记的数据及算法实现。过程:确定相关数据集并准备进行分析。选择要使用的算法类型。根据所使用的算法构建分析模型。立足测试数据集进行模型训练,并根据需要进行模型修改。运行模型以生成测试评分。区别:机器学习能够适应各种数据量,特别是数据量较小的场景。如果数据量迅速增加,那么深度学习的效果将更为突出。深度学习需要原创 2021-10-05 19:19:11 · 243 阅读 · 0 评论 -
监督学习与无监督学习
一、监督学习 (分类、回归)监督学习需要具有标签(label)的训练数据。如做分类,你需要先对训练数据做标记,然后才能训练模型将数据分成标记类。1.分类和回归对比都是对输入做出预测输出不同如果机器学习模型的输出是物体所属的类别是离散值,例如布尔值,我们称之为分类模型。 如:预测明天及以后几天的天气情况:明天阴,下周一晴,是分类; 如果机器学习模型的输出的是物体的值,是连续值的模型称为回归模型。 如:通过之前的温度来预测现在往后的温度,每一个时刻,我们都能预测出一个温度值,得到这个原创 2021-10-05 19:18:22 · 5659 阅读 · 0 评论 -
神经网络相关
一、前馈神经网络1.单层神经网络只有输入和输出层,可以看成一个线性累加器和一个二值化阈值元器件,通常会在累加一个偏移量b。 相当于是对n元线性非齐次方程求解W的逆过程2.多层神经网络MLP多层感知机也叫人工神经网络,除了输入输出层,它中间可以有多个隐层,多层感知机层与层之间是全连接的。多层感知机最底层是输入层,中间是隐藏层,最后是输出层。假设输入层用向量X表示,则隐藏层的输出就是 f (W1X+b1),W1是权重(也叫连接系数),b1是偏置,函数F为激活函数。隐层的激活函数为RELU输原创 2021-04-09 14:05:15 · 393 阅读 · 0 评论