![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
文章平均质量分 76
小叶爱编程
立志在大三发一篇SCI的苦行僧。
展开
-
神经网络(多层感知机)代码实现(包含详细步骤),进行非线性预测
目前学到的感知机是单层感知机,单层感知机仅仅包含两层单元神经,即输入神经元和输出神经元,可以非常容易地实现线性情景,但是很难处理线性不可分的情形,其学习过程会出现一定的震荡,权重系数难以稳定。对于线性不可分的情况,在感知机上一般有两个处理方向,一个是SVM,一个是神经网络模型(也叫做多层感知机,MLP),他与单层感知机的区别在于多了隐藏层,这使得神经网络能够处理非线性问题。非线性代码实现先尝试基于Numpy搭建一个两层的神经网络,基于numpy实现神经网络的思路为定义网络结构,初始化模型参数,定原创 2022-05-16 01:27:10 · 1883 阅读 · 0 评论 -
图像分类,最邻近分类实现
今天和一位深度学习方面的教授聊了一聊,她还是让我系统的学习一下深度学习,我以前看了很多教程,都感觉看不下去,她给我推了教程和书和一些学习方法,我感觉我的热情又被燃起了。图像分类首先要弄清楚图像在计算机中是怎么被表示的。对于计算机来说,图像表示为一个大型的三维数字数组。在这个示例中,图像宽248像素,高400像素,并且有三个颜色通道(红绿蓝,简称RGB),因此,这个图像由 248 x 400 x 3 个数字组成,总共297600个数字。每个数字的范围从0(黑色)到255(白色)。这30万数字组合变成下原创 2022-05-11 01:19:05 · 369 阅读 · 0 评论 -
数据降维几种方法,主成分分析学习和代码实现
数据降维好处减小数据维度和需要的空间,节约模型训练需要的时间。去掉冗余变量,提高算法的准确度,避免模型过拟合,提高模型的鲁棒性降维的方法主要是特征选择和特征提取特征选择特征选择的方法是从原始数据集中选择出子集,是一种包含关系。没有更改原始的特征空间。常用的算法:过滤式:对每一维的特征进行打分,给每一维特征赋予权重,这样的权重就代表该特征的重要性,然后根据权重排序。嵌入式:在确定模型中,挑选出对模型训练有重要意义的属性,例如正则化包裹式:将子集看为搜索寻优的问题,生成不同组原创 2022-05-06 15:08:03 · 972 阅读 · 0 评论