weixin_58066382的博客

原创 《神经网络与深度学习》学习笔记4

原创 《神经网络与深度学习》学习笔记3

MNIST 包含 0–9 的手写数字图像，共 6 万张训练图和 1 万张测试图，每张图为 28×28 灰度图像。Fashion-MNIST 替代了过时的 MNIST，图像是服装类（如T恤、鞋子等），结构相同但更具挑战性。这两个数据集对模型结构的研究和对比非常友好，常用于轻量化网络、正则化方法等研究中。是一个经典的多任务数据集，包含目标检测、图像分割和动作识别任务。其最常用的是 VOC2007 和 VOC2012，提供 20 个目标类别的标注，数据规模虽然较小，但标签质量高，适合快速测试模型性能。

原创 《神经网络与深度学习》学习笔记2

池化（Pooling） 是卷积神经网络（CNN）中的一种下采样操作，主要作用是 降低特征图的空间尺寸（即宽度和高度），从而减少计算量、防止过拟合，并增强模型对图像平移、旋转等变形的鲁棒性。transforms.Normalize((0.5,), (0.5,)) # 归一化。# 全连接层：图像大小缩小后为7x7（假设输入是28x28），32通道。x = self.fc2(x) # 输出层不激活，交由loss处理。# 卷积层1：输入1通道，输出16通道，卷积核大小3x3。# 2. 数据加载和预处理。

原创 《神经网络与深度学习》学习笔记1

y = 2 * X + 3 + np.random.randn(100, 1) * 2 # y = 2x + 3 + 噪声。print("\n多项式回归 R²:", r2_score(y_test, y_pred_poly))print("系数:", model.coef_, "截距:", model.intercept_)print("\n岭回归 R²:", r2_score(y_test, y_pred_ridge))W2 = np.random.randn(4, 1) # 隐藏层→输出层。