![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
文章平均质量分 91
入门两年的练习生
请你一而再,再而三的坚持下去
展开
-
深度学习|3|多层感知机正确打开方式
多层感知机是一个基于神经网络的多层的分类模型。其输出为softmax后的输出,即输出为一个概率;其多层来自于激活函数的非线性性。最常用的激活函数为Relu函数,因为其计算最为方便。原创 2023-06-09 15:55:24 · 280 阅读 · 0 评论 -
深度学习|2|softmax回归pytorch实现iris鸢尾花数据的softmax回归分类任务
由统计学家和植物学家Ronald Fisher在1936年收集并发布。该数据集中包含了150个样本,其中每个样本代表了一朵鸢尾花(iris flower),并且包含了四个特征(sepal length(花萼长度)、sepal width(花萼宽度)、petal length(花瓣长度)和petal width(花瓣宽度))以及对应的类别标签(iris setosa、iris versicolor和iris virginica)。样本数量:150条类别数量:3类每类样本:50条特征维度:4。原创 2023-06-08 23:22:08 · 644 阅读 · 0 评论 -
深度学习|1|softmax回归
softmax 回归(softmax regression)其实是 logistic 回归的一般形式,logistic 回归用于二分类,而 softmax 回归用于多分类原创 2023-06-05 20:24:14 · 759 阅读 · 0 评论 -
传统人脸检测项目实战(Haar级联与手工特征分类器)
人脸检测实战项目 使用haar级联 和 手工特征分类器原创 2023-05-17 14:04:24 · 1112 阅读 · 0 评论 -
深度学习在人脸识别中的应用综述合集 | Deep Face
人脸识别的流水线包括四个阶段:检测⇒对齐⇒表达⇒分类。其中,特征提取与度量,是人脸识别问题中的关键问题,也是相关研究的难点之一。人脸对齐同样是难以解决的问题,特别是在无约束的环境下。原创 2023-05-05 16:27:08 · 3038 阅读 · 0 评论 -
机器翻译:引入注意力机制的Encoder-Decoder深度神经网络训练实战中英文互译(完结篇)
注意力机制是一种在深度学习中广泛使用的技术,它可以有效地处理输入序列和输出序列之间的对应关系。其中,Encoder-Decoder是一种常见的注意力机制,它主要用于序列到序列的任务,例如机器翻译、语音识别等。在Encoder-Decoder中,输入序列首先通过一个编码器进行编码,然后再通过一个解码器进行解码,最终生成输出序列。在这个过程中,注意力机制可以帮助模型更好地理解输入序列中的重要信息,并在生成输出序列的过程中更加准确地对其进行利用。原创 2023-05-01 19:24:12 · 2368 阅读 · 13 评论 -
机器翻译 深度学习预处理实战(中英文互译)一
基于深度学习的机器翻译学习分为三步:(1)解决自动将一种自然语言文本(源语言)翻译为另一种自然语言文本(目标语言)的问题。(2)准备人工翻译的数据集,将其分成训练集和测试集。使用训练集的数据来训练深度神经网络。(3)使用测试集的数据来评估模型表现。深度学习机器翻译其实是用神经网络去学习人工翻译的数据集,使数学世界的神经网络成为取代真实世界中人工翻译的可计算模型。原创 2023-04-28 22:25:43 · 2228 阅读 · 2 评论 -
如何在kaggle上保存、加载文件,同时在output上删除已经保存的文件。
在kaggle的notebook下操作output,用torch对文件进行操作原创 2022-11-26 16:41:58 · 6608 阅读 · 2 评论