2.深度学习入门

最新推荐文章于 2024-02-21 14:30:07 发布
最新推荐文章于 2024-02-21 14:30:07 发布
阅读量239 收藏 3
点赞数
分类专栏： # 深度学习 文章标签： 深度学习 python 机器学习
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_50973728/article/details/124828831
版权

简介

在这里插入图片描述
机器学习与深度学习的区别
在这里插入图片描述
在这里插入图片描述

神经网络

人工神经网络
在这里插入图片描述
人工神经网络中的神经元
在这里插入图片描述
神经网络
在这里插入图片描述
在这里插入图片描述
神经元工作流程
在这里插入图片描述

激活函数

在这里插入图片描述

Sigmoid/logistics函数

在这里插入图片描述
在这里插入图片描述
代码实现

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

# 一般用于二分类
x = np.linspace(-10,10,1000)
y = tf.nn.sigmoid(x)
plt.plot(x,y)
plt.grid()

在这里插入图片描述

tanh（双曲正切曲线）

在这里插入图片描述
在这里插入图片描述
代码实现

x = np.linspace(-10,10,100)
y = tf.nn.tanh(x)
plt.plot(x,y)
plt.grid()

在这里插入图片描述

RELU

在这里插入图片描述
在这里插入图片描述
代码实现

x = np.linspace(-10,10,100)
y = tf.nn.relu(x)
plt.plot(x,y)
plt.grid()

在这里插入图片描述

LeakyRelu

在这里插入图片描述
代码实现

x = np.linspace(-10,10,100)
y = tf.nn.leaky_relu(x)
plt.plot(x,y)
plt.grid()

在这里插入图片描述

SoftMax

在这里插入图片描述
代码实现

# 多分类
x = tf.constant([0.2,0.02,0.15,1.3,0.5,0.06,1.1,0.05,3.75])
y = tf.nn.softmax(x)
plt.plot(x,y)
plt.grid()

在这里插入图片描述

其他激活函数

在这里插入图片描述

激活函数选择

在这里插入图片描述

参数初始化

在这里插入图片描述

  1. 随机初始化
    在这里插入图片描述
  2. 标准初始化
    在这里插入图片描述
  3. Xavier初始化
    在这里插入图片描述
    正态Xavirer初始化
    在这里插入图片描述
initializer = tf.keras.initializers.glorot_normal()
values = initializer((9,1))
values

在这里插入图片描述
标准化Xavier初始化
在这里插入图片描述

initializer = tf.keras.initializers.glorot_uniform()
values = initializer((9,1))
values

在这里插入图片描述

  1. He初始化
    在这里插入图片描述
    正态化的He初始化
    在这里插入图片描述
initializer = tf.keras.initializers.he_normal()
values = initializer((9,1))
values

在这里插入图片描述

标准化的He初始化
在这里插入图片描述

initializer = tf.keras.initializers.he_uniform()
values = initializer((9,1))
values

在这里插入图片描述

神经网络的搭建

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

Sequential构建

import tensorflow as tf
import tensorflow.keras as keras
import tensorflow.keras.layers as layers

# 定义model，构建模型
model = keras.Sequential([
    #第一个隐层
    layers.Dense(3,activation="relu",kernel_initializer="he_normal",name="layer1",input_shape=(3,)),
    #第二个隐层
    layers.Dense(2,activation="relu",kernel_initializer="he_normal",name="layer2"),
    #输出层
    layers.Dense(2,activation="sigmoid",kernel_initializer="he_normal",name="layer3")
],
    name="sequential"
)
model.summary()

在这里插入图片描述

keras.utils.plot_model(model)

在这里插入图片描述

function API构建

在这里插入图片描述

import tensorflow as tf
import tensorflow.keras as keras
import tensorflow.keras.layers as layers

# 定义模型输入
inputs = keras.Input(shape=(3,),name='input')
# 第一个隐层
x = layers.Dense(3,activation="relu",name="layer1")(inputs)
# 第二个隐层
x = layers.Dense(2,activation="relu",name="layer2")(x)
# 输出层
outputs = layers.Dense(2,activation="sigmoid",name="output")(x)
# 创建模型
model = keras.Model(inputs=inputs,outputs=outputs,name="Functional API Model")
model.summary()

在这里插入图片描述

keras.utils.plot_model(model,show_shapes=True)

在这里插入图片描述

通过model的子类构建

在这里插入图片描述

import tensorflow as tf
import tensorflow.keras as keras
import tensorflow.keras.layers as layers

class MyModel(keras.Model):
    # 定义网络的层结构
    def __init__(self):
        super(MyModel,self).__init__()
        # 第一个隐层
        self.layer1 = layers.Dense(3,activation="relu",name="layer1")
        # 第二个隐层
        self.layer2 = layers.Dense(2,activation="relu",name="layer2")
        # 输出层
        self.layer3 = layers.Dense(2,activation="sigmoid",name="layer3")
        
    #定义网络的前向传播
    def call(self,inputs):
        x = self.layer1(inputs)
        x = self.layer2(x)
        outputs = self.layer3(x)
        return outputs

model = MyModel()
x = tf.ones((1,3))
y = model(x)
y

在这里插入图片描述
model.summary()
在这里插入图片描述

# 注意通过该方法无法展示模型结构
keras.utils.plot_model(model,show_shapes=True)

在这里插入图片描述

优缺点

在这里插入图片描述

损失函数

在这里插入图片描述
在这里插入图片描述

常见损失函数

分类任务（交叉熵损失函数）

多分类任务

在这里插入图片描述
例子
在这里插入图片描述
在这里插入图片描述
代码实现

import tensorflow as tf
y_true = [[0,1,0],[0,0,1]]
y_pre = [[0.05,0.9,0.05],[0.3,0.2,0.5]]
# 实例化交叉熵损失
cce = tf.keras.losses.CategoricalCrossentropy()
# 计算损失结构
cce(y_true,y_pre)

在这里插入图片描述

二分类任务

在这里插入图片描述
代码实现

y_true = [[0],[1]]
y_pre = [[0.45],[0.6]]
# 实例化交叉熵损失
bce = tf.keras.losses.BinaryCrossentropy()
# 计算损失结构
bce(y_true,y_pre)

在这里插入图片描述

回归任务

MAE损失

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
代码实现

y_true = [[0.],[1.]]
y_pre = [[1.],[0.]]
mae = tf.keras.losses.MeanAbsoluteError()
mae(y_true,y_pre)

在这里插入图片描述

MSE损失

在这里插入图片描述
在这里插入图片描述
L2 loss也常常作为正则项。当预测值与目标值相差很大时，梯度容易爆炸。

代码实现

y_true = [[0.],[1.]]
y_pre = [[1.],[0.]]
mse = tf.keras.losses.MeanSquaredError()
mse(y_true,y_pre)

在这里插入图片描述

smooth L1损失

在这里插入图片描述

在这里插入图片描述
代码实现

y_true = [[0.],[1.]]
y_pre = [[0.6],[0.4]]
smooth = tf.keras.losses.Huber()
smooth(y_true,y_pre)

在这里插入图片描述

深度学习的优化方法

梯度下降算法

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
代码实现SGD

import tensorflow as tf
# SGD
opt = tf.keras.optimizers.SGD(learning_rate=0.1)
#定义要更新的参数
var = tf.Variable(1.0)
# 定义损失函数
loss = lambda:(var**2)/2.0
# 计算损失梯度，并进行参数更新
opt.minimize(loss,[var]).numpy()
#参数更新结果
var.numpy()

在这里插入图片描述
模型训练三个基础概念
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

反向传播算法（BP算法）

在这里插入图片描述

前向传播与反向传播

在这里插入图片描述
在这里插入图片描述

链式法则

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

反向传播算法

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

梯度下降优化方法

在这里插入图片描述

动量算法（Momentum）

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
动量梯度下降算法
在这里插入图片描述
在这里插入图片描述
代码实现

# SGD
opt = tf.keras.optimizers.SGD(learning_rate=0.1,momentum=0.9)
#定义要更新的参数
var = tf.Variable(1.0)
var0 = var.value()
# 定义损失函数
loss = lambda:(var**2)/2.0
# 第一次更新
opt.minimize(loss,[var]).numpy()
var1 = var.value()
# 第二次更新
opt.minimize(loss,[var]).numpy()
var2 = var.value()

print(var0,var1,var2)

在这里插入图片描述
在这里插入图片描述

AdaGrad

在这里插入图片描述
代码实现

opt = tf.keras.optimizers.Adagrad(learning_rate=0.1,initial_accumulator_value=0.1,epsilon=1e-06)
#定义要更新的参数
var = tf.Variable(1.0)
# 定义损失函数
def loss():
    return (var**2)/2.0
# 进行更新
opt.minimize(loss,[var]).numpy()

在这里插入图片描述

RMSprop

在这里插入图片描述
在这里插入图片描述

代码实现

opt = tf.keras.optimizers.RMSprop(learning_rate=0.1,rho=0.9)
#定义要更新的参数
var = tf.Variable(1.0)
# 定义损失函数
def loss():
    return (var**2)/2.0
# 进行更新
opt.minimize(loss,[var]).numpy()
var.numpy()

在这里插入图片描述

Adam

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
代码实现

# adam
opt = tf.keras.optimizers.Adam(learning_rate=0.1)
#定义要更新的参数
var = tf.Variable(1.0)
# 定义损失函数
def loss():
    return (var**2)/2.0
# 进行更新
opt.minimize(loss,[var])
var.numpy()

在这里插入图片描述

学习率退火

在这里插入图片描述

分段常数衰减

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

指数衰减

在这里插入图片描述
在这里插入图片描述

1/t衰减

在这里插入图片描述
在这里插入图片描述

深度学习正则化

在这里插入图片描述

L1、L2正则化

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

Dropout正则化

在这里插入图片描述
在这里插入图片描述
代码实现

import tensorflow as tf
import numpy as np

# 定义dropout层
layer = tf.keras.layers.Dropout(0.2,input_shape=(2,))
# 定义输入数据
data = np.arange(1,11).reshape(5,2,).astype(np.float32)
data

在这里插入图片描述

# 对输入数据进行随机失活
outputs = layer(data,training=True)
outputs

在这里插入图片描述

提前停止在这里插入图片描述

在这里插入图片描述
代码实现

import tensorflow as tf
import numpy as np

# 定义回调函数
callback = tf.keras.callbacks.EarlyStopping(monitor="loss",patience=3)
# 定义一层网络
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(10)
])
# 模型编译
model.compile(tf.keras.optimizers.SGD(),loss='mse')
# 模型训练
history = model.fit(np.arange(100).reshape(5,20),np.array([0,1,0,1,0]),epochs=10,batch_size=1,callbacks=[callback],verbose=1)
len(history.history['loss'])

在这里插入图片描述

批标准化

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

神经网络案例

在这里插入图片描述
在这里插入图片描述

import numpy as np
import matplotlib.pyplot as plt

#tf工具包
import tensorflow as tf
# 构建模型
from tensorflow.keras.models import Sequential
# 相关网络层
from tensorflow.keras.layers import Dense,Dropout,Activation,BatchNormalization
# 辅助工具包
from tensorflow.keras import utils
# 正则化
from tensorflow.keras import regularizers
# 数据集
from tensorflow.keras.datasets import mnist

数据加载

# 加载数据集
(x_train,y_train),(x_test,y_test) = mnist.load_data()

x_train.shape

在这里插入图片描述

# 显示数据
plt.figure()
plt.imshow(x_train[1],cmap="gray")

在这里插入图片描述

y_train[1]

在这里插入图片描述

数据处理

在这里插入图片描述

# 数据维度调整
x_train = x_train.reshape(60000,784)
x_test = x_test.reshape(10000,784)

# 数据类型调整
x_train = x_train.astype("float32")
x_test = x_test.astype("float32")

# 归一化
x_train = x_train/255
x_test = x_test/255

# 目标值热编码
y_train = utils.to_categorical(y_train,10)
y_test = utils.to_categorical(y_test,10)

模型构建

在这里插入图片描述

# 序列模型构建
model = Sequential()
# 全连接层：两个隐层，一个输出层
# 第一个隐层 512个神经元，先激活后BN,随机失活
model.add(Dense(512,input_shape=(784,)))
model.add(Activation("relu"))
model.add(Dropout(0.2))
# 第二个隐层 512个神经元，先BN后激活,随机失活
model.add(Dense(512,kernel_regularizer=regularizers.l2(0.001)))
model.add(BatchNormalization())
model.add(Activation("relu"))
model.add(Dropout(0.2))
# 输出层
model.add(Dense(10))
model.add(Activation("softmax"))

model.summary()

在这里插入图片描述

utils.plot_model(model)

在这里插入图片描述

模型编译

在这里插入图片描述

# 损失函数，优化器，评价指标
model.compile(
    loss = "categorical_crossentropy",
    optimizer = "adam",
    metrics = "accuracy"
)

模型训练

# 使用fit，指定训练集，epchs，batch_Size,val,verbose
history = model.fit(x_train,y_train,
                    epochs=4,batch_size=128,
                    validation_data=(x_test,y_test),
                    verbose=1)

history.history

在这里插入图片描述

# 绘制损失函数
plt.figure()
plt.plot(history.history["loss"],label="train")
plt.plot(history.history["val_loss"],label="val")
plt.legend()
plt.grid()

在这里插入图片描述

# 准确率
plt.figure()
plt.plot(history.history["accuracy"],label="train")
plt.plot(history.history["val_accuracy"],label="val")
plt.legend()
plt.grid()

在这里插入图片描述

tensorboard查看结果

pip install tensorborard

tensorboard = tf.keras.callbacks.TensorBoard(log_dir="./graph",histogram_freq=1,write_graph=True,write_images=True)
# 训练
# 使用fit，指定训练集，epchs，batch_Size,val,verbose,callbacks
history = model.fit(x_train,y_train,
                    epochs=4,batch_size=128,
                    validation_data=(x_test,y_test),
                    verbose=1,
                   callbacks=[tensorboard])

在这里插入图片描述
在这里插入图片描述
注意：使用anaconda的环境
在这里插入图片描述
在这里插入图片描述

模型测试

score = model.evaluate(x_test,y_test,verbose=1)
score

在这里插入图片描述

模型保存

# 保存
model.save("model.h5")

# 加载
loadmodel = tf.keras.models.load_model("model.h5")
loadmodel.evaluate(x_test,y_test,verbose=1)

在这里插入图片描述

卷积神经网络CNN

在上面案例中
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

构成

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

卷积层

在这里插入图片描述

计算方法

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

padding

在这里插入图片描述

stride

在这里插入图片描述

多通道卷积

在这里插入图片描述
在这里插入图片描述

多卷积核卷积

在这里插入图片描述

特征图大小

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

池化层

在这里插入图片描述

最大池化

在这里插入图片描述
在这里插入图片描述

平均池化

在这里插入图片描述
在这里插入图片描述

全连接层

在这里插入图片描述

卷积神经网络的构建

在这里插入图片描述

数据加载

import tensorflow as tf
from tensorflow.keras.datasets import mnist

(train_images,train_labels),(test_images,test_labels) = mnist.load_data()
train_images.shape

在这里插入图片描述

test_images.shape

在这里插入图片描述

数据处理

在这里插入图片描述

# 维度调整
train_images = tf.reshape(train_images,
                          (train_images.shape[0],train_images.shape[1],train_images.shape[2],1))
train_images.shape

在这里插入图片描述

test_images = tf.reshape(test_images,
                          (test_images.shape[0],test_images.shape[1],test_images.shape[2],1))
test_images.shape

在这里插入图片描述

模型搭建

在这里插入图片描述在这里插入代码片

net = tf.keras.models.Sequential([
    # 卷积层：6个5*5的卷积核，激活是sigmoid
    tf.keras.layers.Conv2D(filters=6,kernel_size=5,activation="sigmoid",input_shape=(28,28,1)),
    # 最大池化
    tf.keras.layers.MaxPool2D(pool_size=2,strides=2),
    # 卷积层：16个5*5的卷积核，激活是sigmoid
    tf.keras.layers.Conv2D(filters=16,kernel_size=5,activation="sigmoid"),
    # 最大池化
    tf.keras.layers.MaxPool2D(pool_size=2,strides=2),
    # 调整为一维数据
    tf.keras.layers.Flatten(),
    # 全连接层，激活sigmoid
    tf.keras.layers.Dense(120,activation="sigmoid"),
    # 全连接层，激活sigmoid
    tf.keras.layers.Dense(84,activation="sigmoid"),
    # 全连接层，激活softmax
    tf.keras.layers.Dense(10,activation="softmax")
])

net.summary()

在这里插入图片描述

tf.keras.utils.plot_model(net)

在这里插入图片描述

模型编译

# 设置优化器，损失函数，评价指标
net.compile(optimizer=tf.keras.optimizers.SGD(learning_rate=0.9),
           loss = "sparse_categorical_crossentropy",
          #loss=tf.keras.losses.sparse_categorical_crossentropy
           metrics=["accuracy"])

模型训练

net.fit(train_images,train_labels,epochs=5,batch_size=128,verbose=1)

在这里插入图片描述

模型评估

net.evaluate(test_images,test_labels,verbose=1)

在这里插入图片描述

C--G
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
深度学习笔记
qq_43541908的博客
04-11 244
MINIST数据集 下载MINST数据集 import tensorflow as tf (train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data() 数据集下载完成后储存在.keras中的datasets文件夹中 print(train_images.shape) #打印训练数据集合形状 结果：(60000, 28, 28) print(train_images.shape)
tf学习（三）—— MNIST手写识别 上
qiurisiyu的博客
05-19 550
MNIST-NameError: name ‘input_data’ is not defined解决办法其实这是由于导入工具库后没有使用正确别名的原因，只要加入as input_data即可。应改成如下代码：import tensorflow.examples.tutorials.mnist.input_data as input_datamnist = input_data.read_data...
深度学习的入门教程，建议初学者收藏
zy_zeros的博客
02-21 747
神经网络的每一个权重系数都是空间中的一个自由维度，为了对损失表面有更直观的认识，可以将沿着二维损失表面的梯度下降可视化，但你不可能将神经网络的真实训练过程可视化，因为无法用人类可以理解的方式来可视化1 000 000维空间。本例中的模型包含2个Dense层，每层都对输入数据做一些简单的张量运算（relu、softmax），这些运算都涉及权重张量，权重张量是该层的属性或参数，里面保存了模型所学到的知识。假设有一个光滑连续的函数f(x) = y，由于函数是连续的，因此x的微小变化只会导致y的微小变化。
深度学习怎么入门？零基础快速入门深度学习
gu1857035894的博客
08-02 7445
首先对于数学来讲，我想很多搜索入门路线图的朋友，都会被推荐很多数学方面的大部头的书籍和视频和科目，比如说：微积分、线性代数、概率论、复变函数、数值计算等等;对于入门来说，我们不用学这么多，我们只需要学籍基础的神经网络，然后通过文本分类和图片分类任务去熟悉掌握整个徐娜林和预测流程，比如数据处理，模型搭建等呢吧;学好人工智能，要多看书，多动手，多实践，要想提高自己的水平，一定要学会沉下心来慢慢的系统学习，最终才能有所收获。我把深度学习的入门仿照机器学习，也分为两个部分，先学理论，再实战打比赛;...
简单易懂的讲解深度学习（入门系列之一）
12-02 3410
摘要： 当你和女朋友在路边手拉手一起约会的时候，你可曾想，你们之间早已碰撞出了一种神秘的智慧–深度学习。恋爱容易，相处不易，不断磨合，打造你们的默契，最终才能决定你们是否在一起。深度学习也一样，输入各种不同的参数，进行训练拟合，最后输出拟合结果。 恋爱又不易，且学且珍惜！ 导言： 目前人工智能非常火爆，而深度学习则是引领这一火爆现场的“火箭”。于是，有关“深度学习”的论文、书籍和网络博客汗牛充栋，但大多数这类文章都具备“高不成低不就”的特征。对于高手来说，自然是没有问题，他们本身已经具备非常“深度”的学.
深度学习的一些基本概念—入门教程
百年孤独百年的博客
04-17 2658
深度学习是一种人工智能技术，其应用广泛，包括图像识别、语音识别、自然语言处理、推荐系统等。本教程将介绍深度学习的基础概念和常用模型。
TensorFlow2深度学习实战(共7章)第2章 TensorFlow 2快速入门.pdf
06-27
TensorFlow2深度学习实战(共7章)第2章 TensorFlow 2快速入门.pdfTensorFlow2深度学习实战(共7章)第2章 TensorFlow 2快速入门.pdfTensorFlow2深度学习实战(共7章)第2章 TensorFlow 2快速入门.pdfTensorFlow2深度学习...
基于Python的深度学习入门设计源码
04-06
本资源提供了一套基于Python的深度学习入门的设计源码，包含79个文件，其中包括67个Python源代码文件，4个Pickle数据文件，以及3个Markdown文档。此外，还包括2个PNG图片文件，以及1个神经网络基础/感知机的章节文件...
深度学习入门基础概念与应用领域.docx
最新发布
05-16
深度学习入门：基础概念与应用领域 深度学习作为机器学习的一个分支，近年来在人工智能领域取得了令人瞩目的成就。在这篇博客中，我们将探讨深度学习的基础知识、核心概念以及它在不同领域的应用。 什么是深度学习...
深度学习教程.doc深度学习教程.doc
05-05
2. 深度学习入门 神经网络基础：了解神经元、激活函数、前向传播、反向传播等基本概念。 常见神经网络结构：多层感知机（MLP）、卷积神经网络（CNN）、循环神经网络（RNN）及其变种（如LSTM、GRU）。 深度学习框架：...
深度学习入门（看了就会）
小飞猪的博客
04-23 5670
什么是深度学习呢？ 简单来说就是当你拥有一个数据集的时候，若你想处理它，可能你的反应是for遍历一遍。但深度学习是不需要的。 首先介绍一下深度学习的一些基本概念。 对于一张图片的储存，是分为了三个二维数组，分别是红绿蓝三个颜色。 而我们是将这三个二维数组中的数据全部放到一个列向量中。也就是说，若三个64×64的数组，那列向量x中的元素就是64×64×3个。x作为深度学习的输入，输出我们用y来表示，y的取值是0/1，0表示识别失败，1表示成功。 通常用n表示x维度（上述中n为64643），用m表示训练集的个数
深度学习入门
西街暖阳的博客
08-06 4338
一、深度学习基本概念：https://baike.baidu.com/item/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0/3729729?fr=aladdin（百度学术） https://www.cnblogs.com/wangzhongqiu/p/9856628.html（机器学习等概念） https://blog.csdn.net/qq_39297053/article/details/109234498（历史发展过程） https://zhuanlan.zhihu
tensorflow 参数初始化
qq_59631728的博客
11-18 780
.......
深度学习如何入门？
07-03 1814
我们通过算术学习、MNIST手写数字识别了解了什么是深度学习，也用TensorFlow2实现了MNIST手写数字识别，从整体上了解了一个深度学习程序是什么样子的，应该有哪些步骤📖《深度学习100例》🔥365天深度学习训练营🔥。
深度学习知识点总结（持续更新中）
weixin_43749805的博客
05-10 3493
神经网络是深度学习的基础。它由许多层组成，每层包含许多神经元。每个神经元接收来自上一层的输入，并产生一个输出，该输出作为下一层的输入。神经网络通过反向传播算法来学习，并通过权重和偏差来调整每个神经元的输出。
深度学习基础入门
happylls666的博客
01-28 1133
深度学习
机器学习和深度学习入门
05-05
以下是机器学习和深度学习入门的步骤： 1. 了解基本概念：学习机器学习和深度学习的第一步是了解基本概念，如监督学习、无监督学习、强化学习、神经网络、梯度下降等。 2. 学习编程语言：Python是机器学习和深度...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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