- 博客(4)
- 收藏
- 关注
RSS订阅原创 学习总结4
第四周的学习内容丰富且深入，涵盖了特征编码、文本数据处理、RNN及其变体、GAN、NeRF、Transformer、大语言模型和CNN等多个重要主题。这些知识不仅加强了我们对神经网络和深度学习的理解，还为我们在实际应用中解决复杂问题提供了坚实的基础。通过本周的学习，我们不仅掌握了理论知识，还积累了大量实践经验，为后续的研究和应用打下了坚实的基础。
2024-05-20 20:48:19
1613
原创 学习总结2
在CNN中，特征提取通过卷积层和池化层来实现，其中卷积层用于提取不同位置的特征，而池化层用于减少特征图的尺寸和参数数量，同时保留主要特征信息。在卷积操作中，填充是指在输入数据的边界周围添加额外的值（通常为0），以便在卷积操作时保持输出特征图的尺寸与输入特征图相同或者与之有一定的关系。填充可以有助于保留输入特征图的边缘信息，减少特征图尺寸的减小，以及对边缘像素的处理。在多通道卷积中，每个通道的输入数据与对应的通道的卷积核进行卷积操作，然后将各通道的卷积结果相加得到输出特征图，从而增加了模型的表达能力。
2024-04-22 20:37:40
1154
原创 本周神经网络学习总结（第四周）
通过该部分学习，我对神经网络的结构和训练过程有了更深入的理解，了解了如何构建深层的神经网络以及如何使用误差反传算法来训练网络。RMSProp通过指数加权平均来解决这一问题；通过本章的学习，我了解了如何使用这些性能优化技巧来提高神经网络的训练效率和性能，从而更好地应用于实际问题中。在第四章的学习中，我学习了神经网络与深度学习中的性能优化技巧，包括常用技巧、动量法和自适应梯度算法。·算法的基本思想是将网络的预测输出与实际输出之间的误差反向传播到网络中，然后根据误差调整每个神经元的权重和偏置，以减小误差。
2024-04-01 21:06:53
550
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人