![](https://img-blog.csdnimg.cn/direct/74f59877b18146a081758835f9e1518b.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
神经学习
文章平均质量分 95
神经学习专栏旨在帮助读者深入了解神经科学和机器学习的交叉领域。该专栏将涵盖神经元、神经网络、神经可塑性、学习算法等方面的知识。通过专栏的学习,读者将能够理解神经学习的基本概念、掌握常见的学习算法,并应用于各种领域,如图像识别、语音处理和自然语言处理等。
我乐了.
这个作者很懒,什么都没留下…
展开
-
工作机制与流程:通过手写识别深入了解 TenorFlow
当 data_format 是'NHWC'时,列表的内容依次为:[0, 0], [pad_top,pad_bottom], [pad_left, pad_right], [0, 0]。当 data_format 是'NCHW'时,列表的内容依次为:[0, 0], [0, 0],[pad_top, pad_bottom], [pad_left, pad_right]。高级 API 是 tf.keras 中的 API,这一部分的 API 经过封装,用起来更加容易一些,代码也更为易读。原创 2024-01-26 17:18:31 · 31 阅读 · 0 评论 -
张量、数据流图与概念:初步了解 TenorFlow
正如刚才所说,TensorFlow 是一个开源的机器学习框架,由谷歌开发与维护,并被用在谷歌的很多产品中,例如 Gmail、Google Photos、语音识别。但其实,无论是整个行业的研究领域还是实际工业中,TensorFlow 使用度都很高。图 1:TensorFlow 官网从应用角度来说,TensorFlow 有多语言支持和应用环境广泛这两个特点。多语言支持。原创 2024-01-26 17:17:06 · 954 阅读 · 0 评论 -
数据预处理:让模型学得更好
具体的操作就是,先从少数类数据中随机选择一个样本点 A,然后在同类别的数据中找到离 A 最近的 k 个样本点(下图中绿色的点),再从这 k 个样本点中随机选择一个点 B,在 AB 的连线上随机选择一个新的点 C,这个 C 就可以作为生成的数据。这种方法适用于属性的最大值和最小值未知,或者是有超出取值范围的数据的情况。这里给你留一个小作业,我提供了三种标准化的方式,其中有两种是没有绘图的,你可以参考我前面的代码,亲自动手,画一下标准化之后的数据分布图,完成之后可以在学习群中@Ricky,我们可以讨论一下。原创 2024-01-26 17:14:04 · 636 阅读 · 0 评论 -
集成、共享、敏捷:Jupyter Notebook 的使用
Terminal 也是一个经常被使用到的工具,它是一个命令终端,在这个终端里你可以对操作系统进行操作,就是我们常见的 XShell、iterm2 这样的工具。那么,在其他的单元格中仍然可以使用这些变量、方法以及模块,不会因为我们换了一个单元格,之前的代码就失效了,因为它们都运行在同一个 Notebook 的内核中。上图中,我们在第一个单元格定义了一个 print_message 函数,然后在下一个单元格中写了一句说明,在最下面一个单元格中依然可以调用了第一个单元格中的 print_message 函数。原创 2024-01-26 17:12:03 · 254 阅读 · 0 评论 -
生成式对抗网络:艺术创造也可以成为深度学习的拿手好戏
对于真实数据,其尺寸为 28x28x1;对于噪声数据,是一个向量的形式,其长度我们用 z_dimensions 代替。原创 2024-01-26 17:10:58 · 45 阅读 · 0 评论 -
自编码器:让模型拥有属于自己的表达和语言
我们可以通过限制自编码器中神经元的输出,只让很小的一部分神经元有非 0 的输出,也可以说是只激活一小部分的神经元。因为输入的数据中加入了随机噪音,就避免了网络只学习到简单的将输入复制到输出的这种恒等变换,强制让自编码器学习如何剔除数据中的噪音,然后再恢复到没有噪音的状态。在这个过程中,自编码器会先将输入数据压缩到一个较低维度的特征,然后利用这个较低维度的特征重现输入的数据,重现后的数据就是自编码器的输出。模型过拟合的时候,在训练集上会有非常优秀的表现,但是遇到训练集以外的数据就不会有很好的效果。原创 2024-01-26 17:09:26 · 104 阅读 · 0 评论 -
RNN 与 LSTM:模型也可以持续不断地思考
但是这又导致了另一个问题:如果句子的长度是任意的,那在句子比较长的情况下,计算量会急剧增大,比如为了限定节日为中国的,需要计算的长度就会很长,所以在真正使用的时候很不方便,准确性也不能保证。如果只看前面的,填写“吃饭”或者“放学”都是可以的,但从后面的内容来看,就限定为了“买”“换”等相关的词语。回忆一下咱们之前学到的 CNN 和全连接,不难发现模型的输入数据之间是没有关联的,比如上节课提到的图像分类,每次输入的图片与图片之间就没有任何关系,上一张图片的内容不会影响到下一张图片的结果。原创 2024-01-26 17:08:03 · 36 阅读 · 0 评论 -
卷积神经网络:给你的模型一双可以看到世界的眼睛
最大池化因为提取的是区域内的特征最强烈的像素,所以一般在网络的前几层使用,用来保留图像的纹理信息,但走到深层的网络之后,特征图的尺寸越来越小,包含的语义信息逐渐增多,最大池化能够获取的信息就会减少。使用越多的滤波器,可以提取到越多的图像特征,神经网络也有更好的性能。举个例子,在一个如图 13 的全连接网络中,m-1 层有 1000 个神经元,m 层有 1000 个神经元,那么两层之间的全连接(图中蓝色的线)的数量就是 1000x1000=100 万个,如果神经网络有更多层,那连接的数量会变得更加庞大。原创 2024-01-26 17:07:12 · 627 阅读 · 0 评论 -
线性回归模型:在问题中回顾与了解基础概念
那什么是线性回归呢?顾名思义,就是用一种线性关系进行回归。回归与分类都属于有监督学习,分类预测的是一个类别,而回归预测的是一个数值,例如房价、天气的温度、股票的走势。假设我们有训练数据 D:其中 x=(x,x,...,x我们希望找到一个线性关系 f(x),使 f(x)尽可能地模拟出数据 x 与 y 的关系,数学上的表达是f(x)≈y,也就是希望 f(x) 接受一个输入 x,它的输出能尽可能地接近真实结果 y。原创 2024-01-26 17:05:20 · 714 阅读 · 0 评论 -
前馈网络与反向传播:模型的自我学习(下)
反向传播的公式推导和证明是相对冗长和复杂的,在实际的深度学习的研发中,该部分的内容都是封装好的,所以咱们这里并不会对反向传播的数学定义、推导、证明进行详细的介绍。可以看出,函数 F 在 a 的偏导数相当于从 a 到 F 路径上的偏导值的乘积,同理 F 在 b 的偏导数等于 b 到 F 的所有路径上偏导值乘积的和。可以开始探讨反向传播的过程了。,如果每次更新梯度都要重新计算,那整个的运算量就很大,所以在实际的反向传播算法中,每个节点都会暂存从上层反馈回来的各个数据值信息,也就避免了重复计算,提高运算速度。原创 2024-01-26 17:03:31 · 979 阅读 · 0 评论 -
函数与优化方法:模型的自我学习(上)
但是小朋友一般要多看几次才能记住狮子的样子,并且狮子尾巴的长短,皮毛颜色的深浅,鬃毛的浓密程度等,都会影响他的判断。训练模型也是一样的。模型每次拿到数据,都要将自己的输出和真实的结果进行比较,如果偏差很大,它就要对这个偏差进行反馈,想办法减少这种偏差,也就是学习更多的特征,直到学会如何对输入数据进行正确的判断。于是,在确认自己的位置之后,我们就可以对比当前所在位置的所有方向,寻找坡度下降最快的方向,然后往前走一步到达新的位置,再寻找新的位置所有方向中下坡度最陡的方向,如此反复,直到达到最低点。原创 2024-01-26 17:01:31 · 26 阅读 · 0 评论 -
神经网络AI术语:让你变得更加专业
一些小的实验性项目,可以将数据按一定的比例随机分成训练集和评估集,一般这个比例是 7:3 或 8:2,即训练集占所有数据的 70% 或者 80%,数据的其余部分作为评估集。最开始的几次阅读,每次读完一遍之后你都会有不同的收获。模型在训练的过程中,我们会让模型的输出不断接近真实的结果,从而持续更新参数,达到学习的目的,就像我们在学习中会不断修正我们所得到的知识。这个很好理解,好比我们要去参加高等数学的考试,而我们一直看的是英语的教材,或者是质量很差的“水货”高数教材,那么考试的结果显然不会很理想。原创 2024-01-26 17:00:22 · 38 阅读 · 0 评论 -
从神经元说起:结构篇
我将神经元的个数由 1 变为了 10,这 10 个神经元只负责自己力所能及的任务,它们只判断输入的图片是否为自己对应的数字,也就是神经元 0 只负责学习输入的图片是否为 0,神经元 1 只负责学习输入的图片是否为 1,以此类推。请看下图,蓝色的圆圈就是我们刚才讲的神经元,因为单个神经元的学习能力有限,所以我们对神经元进行了扩充。今天我们讲的神经元最基本的作用就是用于二分类问题,也就是说上文中的 δ,它在神经元中是一个 Sigmoid 函数,作用是将神经元的输出转换为概率,为二分类问题提供概率依据。原创 2024-01-26 16:59:13 · 682 阅读 · 0 评论 -
从神经元说起:数学篇
深度学习是一个很庞大的学科,用到的知识点也非常多,但是这不意味着你需要重新翻箱倒柜把大学的书本拿出来继续啃。本课时我对未来会用到的线性代数、微积分、信息论中的核心内容进行了介绍,在后续的课程中,我还会对遇到的知识进行及时的补充。原创 2024-01-26 16:56:59 · 626 阅读 · 0 评论