【啃书】《深度学习入门 基于Python的理论与实现》
文章平均质量分 79
凯旋16668
博观而约取,厚积而薄发
展开
-
【啃书】《深度学习入门 基于Python的理论与实现》第5章 误差反向传播法
文章目录5.1 计算图5.2 链式法则5.3 反向传播5.7 误差反向传播法的实现5.1 计算图计算图的优点是,可以通过正向传播和反向传播高效地计算各个变量的导数值。5.2 链式法则链式法则是关于复合函数的导数的性质,定义如下:如果某个函数由复合函数表示,则该复合函数的导数可以用构成复合函数的各个函数的导数的乘积表示。5.3 反向传播5.7 误差反向传播法的实现在进行具体的实现之前,我们再来确认一下神经网络学习的全貌图。神经网络学习的步骤如下所示。前提神经网络中有合适的权重和偏置原创 2021-06-13 22:22:18 · 1018 阅读 · 0 评论 -
【啃书】《深度学习入门 基于Python的理论与实现》第4章 神经网络的学习
文章目录4.1 从数据中学习4.2 损失函数4.3 数值微分4.4 梯度4.5 学习算法的实现神经网络的学习,这里所说的学习是指从训练数据中自动获取最优权重参数的过程。学习的目的就是以损失函数为基准,找出能使损失函数的值达到最小的权重参数。为了找出尽可能小的损失函数的值,本章我们将介绍利用了函数斜率的梯度法。4.1 从数据中学习神经网络的特征就是可以从数据中学习。数据是机器学习的核心。数据驱动的方法,也可以说脱离了过往以人为中心的方法。机器学习中,一般将数据分为训练数据和测试数据两部分。首先,使原创 2021-06-13 21:58:57 · 1127 阅读 · 2 评论 -
【啃书】《深度学习入门 基于Python的理论与实现》第3章 神经网络
文章目录3.1 从感知机到神经网络3.2 激活函数3.4 3层神经网络的实现3.5 输出层的设计神经网络的一个重要性质是它可以自动地从数据中学习到合适的权重参数。3.1 从感知机到神经网络激活函数(activation function)的作用在于决定如何来激活输入信号的总和。3.2 激活函数神经网络中经常使用的一个激活函数就是式(3.6)表示的sigmoid函数(sigmoid function)import numpy as npimport matplotlib.pylab as原创 2021-06-06 22:22:26 · 1168 阅读 · 13 评论 -
【啃书】《深度学习入门 基于Python的理论与实现》第2章 感知机
中 深度学习入门 基于Python的理论与实现 原作名- Deep Learning from Scratch[文字版][[日]斋藤康毅[译] 陆宇杰][人民邮电出版社][2018-7][9787115485588]原创 2021-06-06 21:06:56 · 1105 阅读 · 0 评论 -
【啃书】《深度学习入门 基于Python的理论与实现》第1章 Python入门
该章最为起始章节1.1——1.4节主要进行python的介绍,安装,以及基础语法和如何运行python脚本文件1.5 NumPy在深度学习的实现中,经常出现数组和矩阵的计算。 NumPy的数组类(numpy.array)中提供了很多便捷的方法,在实现深度学习时,我们将使用这些方法。NumPy库不包含在标准版Python中。#导入NumPyimport numpy as np#np.array()接收Python列表作为参数,生成NumPy数组(numpy.ndarray)。x = np.arr原创 2021-05-30 22:05:52 · 1218 阅读 · 4 评论