![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
动手学深度学习
文章平均质量分 96
yijie_01
这个作者很懒,什么都没留下…
展开
-
深度学习--matplotlib语法介绍
plt.figure()函数参数说明figsize指定画布的大小,(宽度,高度),单位为英寸。dpi指定绘图对象的分辨率,即每英寸多少个像素,默认值为80。facecolor背景颜色。dgecolor边框颜色。frameon是否显示边框。from matplotlib import pyplot as plt #创建一个图形对象 fig = plt . figure()我们用add_axes()函数方法将轴域 添加到画布fig中。原创 2022-09-06 22:10:39 · 1001 阅读 · 1 评论 -
动手学深度学习--计算性能篇
前言:在DL中,通常dataset与net 较大 会导致计算量很大,因此计算性能非常重要,因为接下来我们将讨论影响计算性能的主要因素:①命令式编程②符号编程③异步计算④自动并行与多GPU计算通过以上方法,我们可以在不影响accuracy的前提下,大大减少 training time可以理解为解释性执行代码,即按步进行编译 并计算可以理解为 编译性编程。 即code 通常只在完全定义了 过程之后才会执行计算。步骤如下:这种编程允许进行大量的优化: 1.在大多数情况下跳过解释器,从而消除因为多个更快的GPU与原创 2022-08-05 22:36:36 · 1225 阅读 · 1 评论 -
动手学深度学习---深度学习计算篇
事实证明,研究讨论**‘’比单个层大‘’但’‘比整个模型小’'**更有价值。**块(block)**可以描述单个层、由多个层组成的组件或整个模型本身使用块的好处:可以将多个块组合成为更大的组件,如下图从编程角度来看,block由class表示。它的任何子类都必须定义一个将其输入转化为输出的前向传播函数,并且必须存储任何必须的参数,最后,为了计算梯度(gradient),块必须具有反向传播函数。在自行定义block时,因为自动微分提供了一些后端实现,所以我们只需要考虑①前向传播函数②必须的参数在构造自定义块之原创 2022-07-13 09:38:33 · 1016 阅读 · 0 评论 -
动手学深度学习---从全连接层到卷积层篇
到目前为止,我们的kernel只有一个输出通道,即输出为单通道的2维tensor。用 ci和co表示 输入和输出通道的数目,kh和kw为kernel的w和h。为获得多个channel的三维tensor ,我们在每个输出channel 创建一个形状为 ci X kh X kw 的三维kernel tensor ,相当于 卷积核的shape 为 co X ci X kh X kw(四维)。在互相关运算中,每个输出通道先获取所有输入通道,再以对应该输出通道的三维 kernel 进行 多输入通道的计算,最后将多原创 2022-07-13 17:04:11 · 1775 阅读 · 0 评论 -
动手学深度学习--多层感知机篇(MLP)
前言:本章分为8小章具有单调性:即W增大 output增大,W减小 output减小,而现实中存在许多违反单调性的例子:①体温预测死亡率 ②收入变化与还款可能性将前 L-1层看作表示,把最后一层看作线性预测器,这种架构 常称为多层感知机 (此处线性存疑)缺点: 具有全连接层的多层感知机的参数开销过大多层感知机公式(H:Hidden O:output),经化简可发现 所谓多层感知机仍可蜕变为:O=XW+b ,摆脱不了其单调性因此:我们引入激活函数,增强网络的非线性表征能力,公式如下:为了构建更通用的多层感原创 2022-07-09 20:04:25 · 4111 阅读 · 8 评论 -
动手学深度学习--线性神经网络篇
前言:该大章分为7小章节, 本章我们将介绍神经网络的整个训练过程 :如下图顺序所示:定义简单的神经网络架构数据处理指定损失函数如何训练模型1. linear-regression(线性回归)NOTE:展开:①LOSS FUNCTION 损失函数 :能够 量化目标的实际值与预测值之间的差距选择非负数作为损失最常用的是平方误差函数......原创 2022-07-05 01:27:06 · 1070 阅读 · 0 评论