- 博客(14)
- 收藏
- 关注
RSS订阅原创 《论文写作》学习心得
本文为学习完闵帆教授《论文写作》课程后的学习心得。在研一上学期学习该课程帮助以后的论文撰写，并了解了学术论文相关的知识。摘要是学术论文的重要组成部分，它扼要概括了研究的核心要点，旨在吸引读者的兴趣和提供研究的关键信息。在摘要中，应明确回答研究的目的和问题，简洁概括所采用的方法，强调主要的研究结果和结论，同时列出关键词以便于检索。此外，摘要应该使用清晰的语言，避免过多的技术术语，以确保广泛的读者都能理解。最后，根据特定期刊或会议的规范，仔细编辑和修订摘要，确保其质量和准确性。明确定研究目的和问题。
2023-11-03 15:52:26
184
原创 Python学习之课后作业2
前者返回一个浮点数结果，后者返回一个整数结果。注意，对于真除法（/）来说，无论是否结果为整数，都是使用浮点数类型来存放计算结果。如果 pow() 函数传入第 3 个参数，那么会将幂运算的结果和第 3 个参数进行取余数运算。当浮点数相加的结果等于整数时，偏差则不会出现，比如 0.1 + 0.2 会出现偏差。message = "祝小甲鱼" + str(age) + "岁生日快乐^o^"Python 除法的运算结果是以浮点数的形式存储的（尽管结果可以整除）。地板除的结果乘以除数 + 余数 = 被除数。
2023-06-08 16:07:54
304
原创 Python学习之课后作业1
传入的数值用于指定随机数生成时所用算法开始时所选定的整数值，如果使用相同的seed()值，则每次生成的随机数都相同；真正意义上的随机数（或者随机事件）表现的分布概率随机产生的，其结果是不可预测的，是不可重现的。而计算机中的随机函数是按照一定算法模拟产生的，其结果是确定的，是可重现的。注意，这是一种设计，并不是什么 BUG。int() 函数是将指定的值转换为整数，如果传入一个小数，那么它会截掉小数部分的值，再将其转换为整数。-- 该函数返回的是一个新的随机序列，不会破坏原序列，常用于不重复的随机抽样。
2023-02-10 18:24:31
1022
1
原创 深度学习之模型选择，过拟合和欠拟合
训练误差：模型在训练数据上的误差 泛化误差：模型在新数据上的误差 验证数据集：一个用来评估模型好坏的数据集 例如拿出50%的训练数据 不要跟训练数据混在一起（常犯错误） 测试数据集：只用一次的数据集 解决没有足够多的训练数据（这是常态） 算法： 常用：K=5或10模型容量：拟合各种函数
2022-12-26 18:28:58
160
原创 深度学习笔记
2、CE交叉熵：交叉熵源于信息论，用于衡量两个分布的差异，常在分类任务中使用。激活函数饱和区的导函数为0不利于梯度下降权重更新，不利于神经网络的传播。1、MSE均方误差：输出与标签之差的平方的均值，常在回归任务中使用。前向传播：输入层数据开始从前向后，数据逐步传递至输出层。反向传播的原理：微积分中的链式求导法则。损失函数：衡量模型输出与真实的标签之间的差距（单样本）反向传播的作用：用于权重更新，使网络输出更接近标签。代价函数：每一个样本差距和的平均（总体）损失函数：衡量模型输出与真实标签的差异。
2022-12-22 17:18:27
99
原创 深度学习之Softmax回归
Softmax虽然是回归但本质是一个多分类 例如：类别有0，1，2；编码则是0 == 100，1 == 010， 2 == 001 正确类别的置信度要远远大于其它类别的置信度
2022-12-07 16:52:15
340
原创 深度学习之线性回归
定义模型 ——> 定义损失 ——> 训练数据 ——> 参数学习线性模型可以看成是单层的神经网络单层神经网络：带权重的层为11/2方便求导凸函数的最优解即梯度为0
2022-11-30 16:47:44
287
原创 深度学习之自动求导（代码）
使用自动微分的一个好处是： 即使构建函数的计算图需要通过Python控制流（例如，条件、循环或任意函数调用），我们仍然可以计算得到的变量的梯度。有时，我们希望将某些计算移动到记录的计算图之外。换句话说，梯度不会向后流经。具有相同的值， 但丢弃计算图中如何计算。想象一下，我们想计算。的梯度，但由于某种原因，我们希望将。因此，下面的反向传播函数计算。视为一个常数， 并且只考虑到。作为常数处理， 而不是。语句的结果都取决于输入。被计算后发挥的作用。在这里，我们可以分离。
2022-11-30 11:08:43
270
原创 深度学习之线性代数
定义：每一行每一列只有一个元素为1，其余元素全为0。2、所有行都是单位长度向量，每一行点乘自己都是1。1、所有行都是相互正交。c = α * b (α为标量)置换矩阵(置换矩阵也是正交矩阵)C = α *B(α是标量)向量1 * 矩阵A =（空间扭曲）= 向量2。常用Frobenius范数。对称矩阵和反对称矩阵。
2022-11-23 11:30:51
306
原创 深度学习笔记之N维数组
二维：就是由多个向量组成的矩阵（特征矩阵）四维：就是RGB图片的批量处理。一维：就是一个向量（特征向量）宽*高*通道（RGB三个通道）宽*高*通道*批量大小*时间。零维：就是一个数（类别）宽*高*通道*批量大小。五维：就是视频的批量处理。三维：就是RGB图片。①形状（几维，大小）
2022-11-17 18:37:11
517
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