![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习理论入门
文章平均质量分 94
菜菜菜菜oo
zzu大三计科蒟蒻
展开
-
深度学习入门基于python的理论与实现-第五章误差反向传播法(个人向笔记)
计算图是一种图形化表示计算过程的方法,通常用于机器学习和深度学习中。在计算图中,节点代表操作(例如加法、乘法等),边代表数据流动(即操作的输入和输出)。通过计算图,可以清晰地展示计算过程中各个操作之间的依赖关系。链式法则是微积分中的一个基本定理,用于求解复合函数的导数。它描述了如果一个函数由另一个函数所组成,而这两个函数都是可微的,那么复合函数的导数可以通过这两个函数的导数的乘积来计算。计算图中各个结点只需要处理和自己有关的计算,也就是计算图可以集中精力于局部计算。原创 2024-03-17 17:50:42 · 768 阅读 · 0 评论 -
深度学习入门基于python的理论与实现-第四章神经网络的学习(个人向笔记)
监督学习包括分类和回归等任务,其中分类任务的标签是离散的,而回归任务的标签是连续的。与训练数据类似,测试数据也包括输入数据和相应的标签,但这些数据是模型在训练过程中未曾见过的。在监督学习中,训练数据通常包括输入数据(特征)和相应的标签(目标),模型通过观察这些数据并调整参数来学习输入与输出之间的关系。训练数据是模型学习的主要来源,其目标是使模型能够对新的、未见过的数据做出准确的预测或分类。当模型过于复杂或过度拟合训练数据时,它可能会学习到训练数据中的噪声或不相关的特征,导致在新数据上的泛化能力下降。原创 2024-03-16 17:19:46 · 1762 阅读 · 0 评论 -
深度学习入门基于python的理论与实现-第三章神经网络(个人向笔记)
softmax函数的性质,观察softmax函数的式子可以发现,softmax函数值在[0,1]内,同时所有的函数值加起来为1,这个性质和概率的的定义比较像,所以我们可以把它解释为概率。可以考虑使用线性函数,我们知道神经网络是一层一层这样叠加下去,使用线性函数的话,无论叠加多少层,到最后我们的函数都可以等价为只使用一个等价的线性函数。我们知道神经网络的运用一般是分类和回归,根据不同的任务,我们可以设计不同的输出,不同的输出可以通过不同的输出层激活函数来实现。在分类问题中输出层神经元的数量由分类的类别确定。原创 2024-03-15 20:14:37 · 879 阅读 · 0 评论