人工智能笔记7.0 深度学习

最新推荐文章于 2024-09-08 22:28:13 发布
最新推荐文章于 2024-09-08 22:28:13 发布
阅读量293 收藏
点赞数
文章标签： 深度学习 人工智能 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44379985/article/details/126199872
版权

深度学习

深度学习基本概念

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

前馈神经网络

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

误差后向传播（BP）

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
误差大需要优化 误差为0时代表参数被拟合成功不需要训练了
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
要使误差最小 就要沿着梯度的反方向进行搜索 更新参数就能找到一个更小的损失函数的值 用这种方法更新参数 新的参数=原有参数-步长*传递误差

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

卷积神经网络

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

自然语言理解与视觉分析

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

干饭王也敲代码
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
糖尿病视网膜病变的深度学习系统笔记
charles_zhang_的博客
05-15 3815
糖尿病视网膜病变的深度学习系统笔记 论文地址：A deep learning system for detecting diabetic retinopathy across the disease spectrum Abstract 视网膜筛查有助于早期发现糖尿病视网膜病变并及时治疗。为了促进筛查过程，我们开发了一个名为DeepDR的深度学习系统，可以检测早期至晚期糖尿病视网膜病变。DeepDR接受实时图像质量评估、病变检测和分级培训，使用121342名糖尿病患者的466247张眼底图像。评估是在一个本地
动手学深度学习V2每日笔记（卷积层）
xiaostudennt的博客
08-03 988
本文主要参考沐神的视频教程 https://www.bilibili.com/video/BV1L64y1m7Nh/p=2&spm_id_from=333.1007.top_right_bar_window_history.content.click&vd_source=c7bfc6ce0ea0cbe43aa288ba2713e56d文档教程 https://zh-v2.d2l.ai/本文的主要内容对沐神提供的代码中个人不太理解的内容进行笔记记录，内容不会特别严谨仅供参考。
22 池化层【李沐动手学深度学习v2课程笔记】
qq_53826699的博客
03-09 757
物体稍微变动，结果不会变化太多2x2最大池化写错了，更正如下 （因为汇聚层的主要优点之一是减轻卷积层对位置的过度敏感。是从卷积输出作用过来的）汇聚层的输出通道数与输入通道数相同。用最大汇聚层以及大于1的对于给定输入元素，最大汇聚层会输出该窗口内的最大值，平均汇聚层会输出该窗口内的平均值步幅，可减少空间维度（如高度和宽度）。我们可以指定汇聚层的填充和步幅。
学习笔记：动手学深度学习 26 通道数
weixin_43137437的博客
11-10 4567
核大小 填充（通常设置为核减一） 步幅（通常情况步幅为1最好，计算量太大的话，步幅取2） 卷积核的边长一般取奇数：上下填充对称 resnet 经典网络 通道数（超参数） 输出通道数是卷积层的超参数 每个输入通道有独立的二维卷积核，所有通道结果相加得到一个输出通道结果 每个输出通道有独立的三维卷积核 1*1卷积层 实现多输入用到互相关运算 ...
跟着沐神学深度学习DAY3
Fuxiao___的博客
07-27 942
w = torch.normal(0, 0.01, size=(2,1), requires_grad=True) #两行的列向量b = torch.zeros(1, requires_grad=True) # 标量"""线性回归模型"""return torch.matmul(X, w) + b #广播机制划重点： 需要w,b 进行更新，所以才将requires_grad设置为True广播机制： 当我们用一个向量加一个标量时，标量会被加到向量的每个分量上。
动手学深度学习6.4 多输入多输出通道-笔记&练习（PyTorch）
scdifsn的博客
07-16 884
李沐老师《动手学深度学习（PyTorch版）》6.4 多输入多输出通道-笔记&练习详解
PyTorch深度学习——张量及其运算
just do it
04-05 1111
最后一个和大小有关的函数是排序函数sort（默认是从小到大，如果需要从大到小排序，则需要设置参数 descending=True），同样是传入具体需要进行排序的维度，返回的是排序完的张量，记忆对应排序后的元素在原始张量上的位置，如果要知道原始张量还是那的元素沿着某个维度排第几位，只需要对应排序后的元素在原始张量上的位置进行再次排序，得到新位置的值即为原始张量沿着搞方向进行大小排序后的序号，和前面一样，关于排序和极值的函数，既可以是Pytorch的函数，也可以是张量的内置方法，两种方法的调用方法等价。
深度学习基础--损失函数
wang6562009的专栏
08-30 1692
前三章分别介绍了线性回归、浅层神经网络和深度神经网络。这些都属于函数家族，能够实现从输入到输出的映射，其具体的函数取决于模型参数 ϕ\phiϕ。在训练这些模型时，我们的目标是找到能够为特定任务提供最优输入输出映射的参数。本章将详细阐述“最优映射”的含义。 要定义“最优映射”，首先需要一组训练数据集 {xi,yi}\{x_i, y_i\}{xi​,yi​}，即输入和输出的配对。损失函数（Loss Function）L[ϕ]L[\phi]L[ϕ] 能够返回一个数值，这个数值描述了模型预测 f(xi,ϕ)f(x_
吴恩达深度学习作业
wenchlove的博客
05-11 188
tips:仅有输入层（12288，1）和输出层（1，1）无隐藏层。
【WSL2笔记2】 搭建深度学习开发环境踩坑笔记 Ubuntu+CUDA+cuDNN+PyTorch+Tensorflow+ONNX
老富的博客
04-06 2464
错误的结果就是配置的所有虚拟环境都以base的python版本运行，无法配置每个虚拟环境使用不同python版本，失去了虚拟环境意义。至此，适用PyTorch、Tensorflow、cuDNN框架的深度学习开发环境搭建完成。WSL 上的 CUDA 用户指南。安装protobuf 3.2版本。Anaconda官网版本档案。下载Anaconda安装包。创建Python虚拟环境。设置Anaconda路径。需要注册账号登录下载。通过SSH传送WSL。
深度学习实战34-基于paddle关键信息抽取模型训练的全流程
weixin_42878111的博客
05-31 1856
大家好，我是微学AI，今天我给大家介绍一下深度学习实战34-基于paddle关键信息抽取模型训练的全流程，我们在文档应用场景中，存在抽取关键信息的任务，比如身份证里的姓名和地址，快递单里的姓名和联系方式等等。传统的方法需要设计模板，但是这太繁琐了，也不够强健。因此，我们使用了飞桨提供的PaddleOCR工具箱中的关键信息抽取方案，可以快速地抽取增值税发票中的关键信息。下面我会手把手教大家训练paddle关键信息抽取模型。
tensorflow-gpu深度学习安装的一系列问题——＞解决方法汇总
AI_Clay的博客
08-17 883
废话不多说，各位深度学习的战友们，我没有矿所以把用了好几年的电脑来跑深度学习中的人工神经网络，于是遇到了TensorFlow使用GPU加速需要安装的一系列坑。真的只要有坑的地方我都踩过了，接下来汇总一套真实有效的方法。只要你的电脑有GPU，不算太垃圾，此方法绝对有用！！！（不要说，我的问题可能和你的不一样，此法为通法。）我最终是失败的，但你们是可以成功的，因为我电脑不行。 步骤如下： 一、先看看自己的电脑显卡能不能用。 二、显卡通过，配置需要的组件。 三、安装测试。 四、救救孩子。 开.
吴恩达 深度学习 编程作业（2-1）- Initialization & Regularization & Gradient Checking
热门推荐
大树先生的博客
09-29 1万+
Part 1：Initialization、Part 2：Regularization、Part 3：Gradient Checking
深度学习回归任务训练代码模版
欢迎来到槐月初叁的博客
09-05 1102
深度学习回归任务训练代码模版
基于聚类与LSTM对比特币价格深度分析与预测
最新发布
m0_53814833的博客
09-08 631
本项目对比特币市场进行了全面而深入的分析，采用多种技术指标和数据分析方法，揭示了比特币价格动态和市场行为的关键特征，详细刻画了比特币的市场波动性。
基于深度学习的结构优化与生成
weixin_42605076的博客
09-07 1061
基于深度学习的结构优化与生成技术通过自动生成和优化结构设计，为工程和工业应用带来了巨大的潜力。随着算法的不断改进和计算资源的增加，深度学习有望在未来推动结构设计的革命性变化，带来更高效、更创新的设计流程。
深度学习的发展历程
木亦汐丫
09-04 1118
深度学习起源和发展，机器学习中，我们经常使用两种方式来表示特征：局部表示和分布式表示；深度学习是将原始的数据特征通过多步的特征转换得到一种特征表示，并进一步输入到预测函数得到最终结果。深度学习以神经网络为主要模型，一开始用来解决机器学习中的表示学习问题。但是由于其强大的能力，其后深度学习越来越多地用来解决一些通用人工智能问题，比如推理、决策等，广泛应用于车牌识别、人脸识别、语音识别、智能助手、推荐系统、自动驾驶等重大领域。
深度学习从入门到精通——感知损失介绍及基本实现
swpucwf的博客
09-04 4973
Perceptual Losses感知损失 感知损失 图像转换问题（image transformation tasks），输入一副图像转换成另一幅图像输出。现有方法来解决的图像转换问题，往往以监督训练的方式，训练一个前向传播的网络，利用的就是图像像素级之间的误差。这种方法在测试的时候非常有效，因为仅仅需要一次前向传播即可。但是，像素级的误差没有捕获输出和ground-truth图像之间的感知区别（perceptual differences）。 高质量的图像可以通过定义和优化perceptual loss
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值