《深度学习实战案例分享》

深度学习实战11(进阶版)-BERT模型的微调应用-文本分类案例

文章目录一、前期工作导入库包导入数据二、模型加载三、模型训练四、模型测试大家好，我是微学AI，今天给大家带来一个基于BERT模型做文本分类的实战案例，在BERT模型基础上做微调，训练自己的数据集，相信之前大家很多都是套用别人的模型直接训练，或者直接用于预训练模型进行预测，没有训练和微调过大模型，因为像BERT这种大模型一般人是训练不了的，我们只能在大模型的基础上进行微调，或者做下游任务改造。下面来
微学AI·2022-11-22 03:49

深度学习实战12(进阶版)-利用Dewarp实现文本扭曲矫正

大家好，我是微学A1,我们在生活中会看到一些拍摄扭曲的图片，我们在通过OCR识别的时候，因为扭曲的厉害，而无法识别，我们需要对图片进行处理。文件图像的变形有扭曲、折叠、褶皱、透视等多种情况，解决方案可以分为参数化方法和非参数化方法。参数化方法构建只能处理简单场景的低维度的数学模型。在非参数方法中，通常需要创建一对数据集。假设文档变形用低维参数化模型表示，不能处理失真情况，不能处理折叠变形。参数模型
微学AI·2022-11-22 03:49

深度学习实战3-文本卷积神经网络（TextCNN）新闻文本分类

文章目录一、前期工作1.设置GPU2.导入预处理词库类二、导入预处理词库类三、参数设定四、创建模型五、训练模型函数六、测试模型函数七、训练模型与预测今天给大家带来一个简单的中文新闻分类模型，利用TextCNN模型进行训练，TextCNN的主要流程是：获取文本的局部特征：通过不同的卷积核尺寸来提取文本的N-Gram信息，然后通过最大池化操作来突出各个卷积操作提取的最关键信息，拼接后通过全连接层对特征
微学AI·2022-11-22 03:18

深度学习实战5-卷积神经网络（CNN）中文OCR识别项目

文章目录一、前期工作导入库图片生成函数导入数据生成数据集函数二、CNN模型建立三、训练模型函数四、训练模型与结果五、验证大家好，我是微学AI，今天给大家带来一个利用卷积神经网络（CNN）进行中文OCR识别，实现自己的一个OCR识别工具。一个OCR识别系统，其目的很简单，只是要把影像作一个转换，使影像内的图形继续保存、有表格则表格内资料及影像内的文字，一律变成计算机文字，使能达到影像资料的储存量减少
微学AI·2022-11-22 03:18

【深度学习实战】一、Numpy手撸神经网络实现线性回归

目录一、引言二、代码实战1、Tensor和初始化类2、全连接层3、模型组网4、SGD优化器5、均方差损失函数6、Dataset三、线性回归实战四、实验结果五、总结一、引言深度学习理论相对简单，但是深度学习框架（tensorflow/torch/paddlepaddle）源码却比较复杂，对于初学者来说，将代码和理论相结合理解是一个巨大的问题，本文的目标是使用python的numpy库从零开始实现一个
嘟嘟太菜了·2022-11-22 03:12

《Web安全之深度学习实战》笔记：第六章 垃圾邮件识别

本小节使用Enron-Spam数据集来识别垃圾邮件，通过多种方法处理数据集，同时使用多种机器学习的方法来识别垃圾邮件。一、数据集介绍垃圾邮件对于企业邮箱用户的影响主要是给日常办公和邮箱管理者带来额外负担，尤其是钓鱼邮件更是有可能导致企业遭受巨大损失。根据不完全统计，在高效的反垃圾环境下依旧有80%的用户每周需要耗费10分钟左右的时间处理这些垃圾邮件。对于企业邮件服务商而言，垃圾邮件大量占用网络资源
mooyuan·2022-11-22 03:11

深度学习实战10-数学公式识别-将图片转换为Latex(img2Latex)

大家好，我是微学AI，今天给大家带来一个关于数学公式识别的实战案例，解决大家在写论文中遇到很多latex输入的问题，而且可以无限次识别哦，因为是代码实现，不用调用外部API.以前我们知道一个latex识别网页，latex识别网页神器：https://snip.mathpix.com/，但是这个识别是有次数限制的，我们如果需要大量的识别的话，这个是不适用的。这个功能识别效果准确率达98%，每个月可识
微学AI·2022-11-22 03:32

pytorch深度学习实战lesson15

第十五课数值稳定性、模型初始化和激活函数目录理论部分数值的稳定性稳定训练实践部分理论部分数值的稳定性神经网络的梯度计算：其本质来讲是一堆矩阵的乘法，因为向量对向量求导是矩阵。如下图所示：数值稳定性常见的两个问题：1、梯度爆炸；2、梯度消失。1、梯队爆炸如果梯度的值比1大一些的话，比如1.5，那么对于一个100层的网络来说，1.5的100次幂是约等于4*1017的。这就会引起梯度爆炸。2、梯度消失如
光·宇·2022-11-22 00:54

pytorch深度学习实战lesson23

第二十三课AlexNetAlexNet是在2012年被发表的一个金典之作，并在当年取得了ImageNet最好成绩，也是在那年之后，更多的更深的神经网路被提出，比如优秀的vgg,GoogleLeNet.其官方提供的数据模型，准确率达到57.1%,top1-5达到80.2%.这项对于传统的机器学习分类算法而言，已经相当的出色。目录理论部分实践部分理论部分机器学习在2000年初期最主流的算法是核方法。其
光·宇·2022-11-22 00:54

pytorch深度学习实战lesson12

第十二课模型选择与过/欠拟合目录理论部分模型选择过拟合和欠拟合实践部分理论部分模型选择首先介绍一下如何选择超参数从一个简单的例子开始：《预测谁会偿还贷款》背景：然后你惊讶的发现：（在美国，穿蓝色衬衫有个隐藏信息——蓝领）这里的问题就是：面试本来穿的蓝色衣服，结果下次见面穿了红色衣服，这两种模型就不一样了，也就是说，模型会认为一个人前后穿了两种颜色的衣服后，它会认为这也是两个人。这个肯定就不对了。所
光·宇·2022-11-22 00:24

pytorch深度学习实战lesson13

第十三课权重衰退目录理论部分实践部分从零开始：简洁实现：理论部分权重衰退是一种常见的处理过拟合的方法。之前讲过控制模型容量的方法是：1、把模型变小点，这样参数就少；2、让每个参数值的可选范围小一些。那么权重衰退就是上述的第二种方法。相比于“使用均方范数作为硬性限制”，其实最常用的是“使用均方范数作为柔性限制”。上面的公式没有约束条件了λ控制着正则项的重要程度，当λ为零时，正则项也就是0了，也就是说
光·宇·2022-11-22 00:24

pytorch深度学习实战lesson14

第十四课丢弃法（Dropout）目录理论部分实践部分从零开始实现：简洁实现：理论部分这节课很重要，因为沐神说这个丢弃法比上节课的权重衰退效果更好！为什么期望没变？如上图所示，使用dropout后，是将隐藏层的的某几个神经元变成零，然后没有变成0的神经元会相应增大以保证总的期望不变。当然保留和置零的神经元不是一定的。这个是训练才会使用，测试的时候不用。实践部分从零开始实现：代码：#我们实现dropo
光·宇·2022-11-22 00:24

pytorch深度学习实战lesson11

第十一课感知机你太美目录理论部分感知机60年代的算法现代感知机算法感知机的问题：多层感知机单隐藏层的多层感知机（单分类）激活函数的选择实践部分从零开始：简洁实现：上图所示是60年的感知机，可以看到每一个权重都有一根线去传输，可见其工作量之大！现如今肯定有更简洁的方法去实现感知机了，下面让我们和沐神来学一下感知机的原理和设计方法把！！！理论部分感知机感知机和线性回归比：他们的相同点是都有一个输出，但
光·宇·2022-11-22 00:23

pytorch深度学习实战lesson10

第十课Softmax回归目录第十课Softmax回归理论部分Softmax回归损失函数1、均方损失2、绝对值损失函数3、哈勃鲁棒损失函数实践部分一、图像分类数据集的读取及其它操作二、softmax回归从零开始实现三、softmax简洁实现理论部分Softmax回归它其实是个分类问题。回归与分类的区别：回归其实是估计一个连续值；而分类是预测一个离散类别。分类举例：从回归如何过渡到分类？1、对类别进行
光·宇·2022-11-22 00:53

pytorch深度学习实战lesson22

第二十二课LeNetLeNet神经网络由深度学习三巨头之一的YanLeCun提出，他同时也是卷积神经网络(CNN，ConvolutionalNeuralNetworks)之父。LeNet主要用来进行手写字符的识别与分类，并在美国的银行中投入了使用。LeNet的实现确立了CNN的结构，现在神经网络中的许多内容在LeNet的网络结构中都能看到，例如卷积层，Pooling层，ReLU层。虽然LeNet早
光·宇·2022-11-21 23:29

深度学习案例分享 | 房价预测 - PyTorch 实现

原文链接大家好，我是小寒。今天来分享一个真实的Kaggle⽐赛案例：预测房价。此数据集由BartDeCock于2011年收集，涵盖了2006-2010年期间亚利桑那州埃姆斯市的房价。读取数据集数据分为训练集和测试集。每条记录包括了房屋的属性，如街道类型、施⼯年份、屋顶类型、地下室状况等。这些特征由各种数据类型组成。我们使⽤pandas分别加载包含训练数据和测试数据的两个CSV⽂件。train_da
程序员学长·2022-11-21 17:35

AI绘画提示词创作指南：DALL·E 2、Midjourney和 Stable Diffusion最全大比拼

作者：韩信子@ShowMeAI深度学习实战系列：https://www.showmeai.tech/tutorials/42自然语言处理实战系列：https://www.showmeai.tech/tutorials
ShowMeAI·2022-11-21 08:15

2018Python OpenCV视频教程计算机视觉图像识别从基础到深度学习实战目前最新

课程目录：├─day1│1.环境搭建│2.beego框架的分析│3.简单的路由设置│4.正则路由设置│5.路由设置│6.orm环境搭建│7.orm的插入和查找│8.删除和更新│9.多级查询│├─day2│1.昨天回顾及静态资源路径设置│10.错误码文件│11.session设置│12.删除Sesssion│2.开发环境搭建│3.路径的截取│4.创建数据库│5.导入area数据│6.显示area数据
weixin_43900594·2022-11-21 01:58

2019最新《Python OpenCV教程计算机视觉图像识别从基础到深度学习实战教程 》

课程目录：├─day1│1.环境搭建│2.beego框架的分析│3.简单的路由设置│4.正则路由设置│5.路由设置│6.orm环境搭建│7.orm的插入和查找│8.删除和更新│9.多级查询│├─day2│1.昨天回顾及静态资源路径设置│10.错误码文件│11.session设置│12.删除Sesssion│2.开发环境搭建│3.路径的截取│4.创建数据库│5.导入area数据│6.显示area数据
guansd·2022-11-21 01:47

数字孪生交通案例分享：永川“智慧交通大脑”

一、项目背景近年来，永川作为重庆主城都市区战略支点城市，积极抢抓成渝地区双城经济圈建设和“一区两群”协调发展战略机遇，一方面补齐交通基础设施短板，另一方面以大数据智能化赋能，大力推进智慧公安交管、智慧交通运输、智慧出行服务、自动驾驶四大板块应用，着力打造西部智慧交通新样板。交通是城市管理运行的重要组成部分，其管理效能的高低直接关系着城市发展环境的好坏，直接影响着市民的出行体验。因此，在构建立体智慧
图观引擎·2022-11-20 23:10

学习笔记(01):Fast.ai 深度学习实战课程「中文字幕」-Fast.ai 深度学习实战课程第0课...

立即学习:https://edu.csdn.net/course/play/5192/94130?utm_source=blogtoedu学习了
lyhk21·2022-11-20 22:53

Fast.ai 深度学习实战课程「中文字幕」

1、Fast.ai深度学习实战课程「中文字幕」--深度学习视频教程-人工智能-CSDN程序员研修院2、介绍：fastai是一个pytorch的高级封装库，安装非常简单，安装完pytorch以后，再使用pipinstallfastai-ihttps
javastart·2022-11-20 22:17

数字孪生交通案例分享：永川“智慧交通大脑”

一、项目背景近年来，永川作为重庆主城都市区战略支点城市，积极抢抓成渝地区双城经济圈建设和“一区两群”协调发展战略机遇，一方面补齐交通基础设施短板，另一方面以大数据智能化赋能，大力推进智慧公安交管、智慧交通运输、智慧出行服务、自动驾驶四大板块应用，着力打造西部智慧交通新样板。交通是城市管理运行的重要组成部分，其管理效能的高低直接关系着城市发展环境的好坏，直接影响着市民的出行体验。因此，在构建立体智慧
DigitalTwin爱好者·2022-11-20 22:56

pytorch深度学习实战lesson21

第二十一课卷积神经网络之池化层卷积神经网络的一个重要概念就是池化层，一般是在卷积层之后。池化层对输入做降采样，常用的池化做法是对每个滤波器的输出求最大值，平均值，中位数等。下面我们和沐神详细学习一下池化层的原理与实现方法吧！目录理论部分实践部分理论部分下面举一个老的例子。对于X矩阵，卷积层可以很容易得把1-0的边缘检测处来，也就是说，卷积对位置信息十分的敏感。但是仔细想想，这貌似也不是啥好东西，因
光·宇·2022-11-20 12:14

深度学习实战之MINIST数据集

目录1.数据介绍2.关于类和标签的说明3.数据类型说明4.模型训练1.数据介绍来看一个具体的神经网络示例，使用Python的Keras库来学习手写数字分类。这里要解决的问题是，将手写数字的灰度图像（28像素×28像素）划分到10个类别中（0~9）。我们将使用MNIST数据集，它是机器学习领域的一个经典数据集。这个数据集包含60000张训练图像和10000张测试图像，由美国国家标准与技术研究院（Na
赵孝正·2022-11-20 07:46

pytorch深度学习实战lesson20

第二十课卷积层的多输入和多输出通道目录理论部分多输入通道多输出通道实践部分理论部分多输入通道假设图片大小是200*200的话，那么用张量表示这个图片的话就是200*200*3，因为彩色图片是由红、绿、蓝三个通道构成的，因此表示一个彩色图片的时候要将这三原色的信息也给表示出来。那么舒润有多个通道的话要怎么计算呢？多通道的话就是每个通道都做次卷积，卷积核的维度是一样的，但是数值不一定是一样的。每个通道
光·宇·2022-11-19 13:20

IOT设备情况数据分析

共建网络世界共创数字未来携手构建网络空间命运共同体——2022世界互联网大会主题文章目录前言一、IOT设备关注问题（一）设备SN和MAC的赋值情况（二）设备的激活情况（三）设备的使用情况二、案例分享（一
张六十zhangliushi·2022-11-19 06:11

深度学习实战 3 数据集处理

目录1.Json格式的数据集标签转化为有效的txt格式2.数据集划分3.数据集标注4.一些数据集1.Json格式的数据集标签转化为有效的txt格式#处理同一个数据集下多个json文件时，仅运行一次class_txt即可#或者更改对应文件夹名称importjsonimportos"存储标签与预测框到txt文件中"defjson_txt(json_path,txt_path):"json_path:需
李同学_道阻且行·2022-11-19 01:08

深度学习实战 Pycharm 代码调试报错集合

目录0.Pycharm安装1.YOLO5pipinstall-rrequirements.txt安装在pycharm上安装失败1.1找不到文件1.2提示网络连不上（类似下图），换用清华镜像1.3提示编码错误（如图）2pycocotools安装报错解决2.1在线安装：2.2pycococtools的安装包3其他报错4python读取文件时，抛异常：5.Inputtype(torch.FloatTen
李同学_道阻且行·2022-11-19 01:07

深度学习实战 2 YOLOv5 添加CBAM、CA注意力机制

YOLOv5结合注意力机制有两种策略：注意力机制结合Bottleneck，替换backbone中的所有C3模块在backbone单独加入注意力模块1.CBAM论文《CBAM:ConvolutionalBlockAttentionModule》：https://arxiv.org/pdf/1807.06521.pdf核心算法是：通道注意力模块（ChannelAttentionModule，CAM)+
李同学_道阻且行·2022-11-19 01:07

深度学习实战 1 YOLOv5结合BiFPN

目录1.BiFPN论文简介2.在Common.py中添加定义模块(Concat)3.将类名加入进去，修改yolo.py4.修改train.py5.修改配置文件yolov5.yaml1.BiFPN论文简介论文《EfficientDet:ScalableandEfficientObjectDetection》地址：https://arxiv.org/abs/1911.09070BiFPN全称Bidir
李同学_道阻且行·2022-11-19 00:55

pytorch深度学习实战lesson18

第十八课卷积层卷积是深度学习最重要的概念之一，下面来学习和回顾一下卷积的基本概念。目录理论部分从全连接层到卷积层卷积层实践部分理论部分从全连接层到卷积层还是从一个例子开始：假设我要对猫和狗进行分类。假设我用一千二百万像素的手机拍照，排成的图片是RGB图片（有3个通道），RGB图像有三千六百万个元素。假设用隐藏层大小为100的mlp进行训练的话，这个模型就要有36亿个参数，远远多于世界上猫狗的总量了
光·宇·2022-11-18 08:01

pytorch深度学习实战lesson16

第十六课神经网络基础本节课主要是从实践代码的角度看神经网络的各个结构，以及各个结构的实现方法。虽然没有太多理论，但是精华都在代码的注释中~目录模型构造（层和块）参数管理自定义层读写文件模型构造（层和块）#层和块#首先，我们回顾一下多层感知机importtorchfromtorchimportnnfromtorch.nnimportfunctionalasF#一些函数#单层神经网络=线性层+relu
光·宇·2022-11-18 08:00

pytorch深度学习实战lesson17

第十七课GPUisalluneed可以在终端输入nvidia-smi来看自己的显卡信息。然后就是关于GPU的一些操作。这里要提醒的一点就是，程序的计算一定要选好是使用GPU进行计算还是使用CPU，因为本来CPU往GPU传输数据的时间就长，所以假如你没有设置好计算的设备，或者设置乱了的话，就会导致你设置出来的东西性能没有那么好。所以要三思。#计算设备importtorchfromtorchimpor
光·宇·2022-11-18 08:00

pytorch深度学习实战

3.4命名张量einsum方法详解（爱因斯坦求和）einsum是pytorch、numpy中一个十分优雅的方法，如果利用得当，可完全代替所有其他的矩阵计算方法，不过这需要一定的学习成本。本文旨在详细解读einsum方法的原理，并给出一些基本示例。一、爱因斯坦求和爱因斯坦求和是一种对求和公式简洁高效的记法，其原则是当变量下标重复出现时，即可省略繁琐的求和符号。比如求和公式：其中变量a与变量b的下标是
shuaiqidexiaojiejie·2022-11-18 08:29

Pytorch深度学习实战（二之课后作业）

Pytorch深度学习实战（二之课后作业）刘二大人:视频连接importnumpyasnpimportmatplotlib.pyplotaspltfrommpl_toolkits.mplot3dimportAxes3Dimportwarnings
学习砖家·2022-11-18 08:58

PyTorch深度学习实战：从新手小白到数据科学家电子书

作者：张敏著出版社:电子工业出版社ISBN：9787121388293出版时间:2020-08-01PyTorch深度学习实战：从新手小白到数据科学家
普通网友·2022-11-18 08:57

pytorch深度学习实战19

第十九课卷积层的填充和步幅目录理论部分实践部分理论部分首先看一下卷积层的填充。上图所示的情况会有个问题，如果卷积核不变的话（一直是5*5的卷积核），那么我的网络最多也就只能弄到第七层了，如果我想搭建更深的网络的话是不被允许的。那么填充就是可以解决这个问题。填充的基本思想是在输入的四周添加0元素，以达到输出比之前更大的目的。填充的行数和列数的选取是有讲究的，如下图所示，填充完毕后它的输出与填充之前的
光·宇·2022-11-18 08:56

一文了解深度学习实战——预测篇

本文将从四个案例房价预测、泰坦尼克号生还预测、股票预测、影评情感预测入手，让童鞋们从实战角度快速入门深度学习的预测部分！目录房价预测基于决策树回归器（DecisionTreeRegressor）基于Keras泰坦尼克号生还预测基于Sklearn基于Keras股票预测影评的情感分析基于TensorFlow基于Keras房价预测基于决策树回归器（DecisionTreeRegressor）数据文件在这
全栈O-Jay·2022-11-17 17:53

《Web安全之深度学习实战》笔记：第十一章 Webshell检测

本小节通过机器学习算法来识别webshell，较新的知识点是opcode。一、webshellWebShell就是以ASP、PHP、JSP或者CGI等网页文件形式存在的一种命令执行环境，也可以将其称为一种网页后门。黑客在入侵了一个网站后，通常会将ASP或PHP后门文件与网站服务器Web目录下正常的网页文件混在一起，然后就可以使用浏览器来访问ASP或者PHP后门，得到一个命令执行环境，以达到控制网站
mooyuan·2022-11-17 17:47

连载二：PyCon2018｜用slim微调PNASNet模型(附源码)

在会上主要分享了《人工智能实战案例分享-图像处理与数值分析》。会上
weixin_34303897·2022-11-17 07:26

Keras深度学习实战（36）——基于编码器-解码器的机器翻译模型

Keras深度学习实战（36）——基于编码器-解码器的机器翻译模型0.前言1.模型与数据集分析1.1数据集分析1.2模型分析2.基于编码器-解码器结构的机器翻译模型2.1基于编码器-解码器体系结构2.2
盼小辉丶·2022-11-16 10:07

【案例分享】唯品会海量实时OLAP分析技术升级之路

【文章来源：DBAplus社群。本文根据谢麟炯老师在〖DAMS2017中国数据资产管理峰会〗现场演讲内容整理而成】讲师介绍谢麟炯，唯品会大数据平台高级技术架构经理，主要负责大数据自助多维分析平台，离线数据开发平台及分析引擎团队的开发和管理工作，加入唯品会以来还曾负责流量基础数据的采集和数据仓库建设以及移动流量分析等数据产品的工作。分享大纲：海量数据实时OLAP场景的困境唯品会大数据实时OLAP升级
yyoc97·2022-11-15 10:05

这本PyTorch官方出品的Deep Learning With PyTorch终于有了中文版

中文名：PyTorch深度学习实战本书作者EliStevens职业生涯的大部分时间都在美国硅谷的初创公司工作，从软件工程师（网络设备制造业）到首席技术官（开发肿瘤放疗软件）。
人邮异步社区·2022-11-12 15:08

Pytorch100例-第1天：实现mnist手写数字识别第1天

请在文章开头注明以下内容，复制粘贴即可本文为365天深度学习训练营中的学习记录博客参考文章：365天深度学习训练营-第P1周：实现mnist手写数字识别（训练营内部成员可读）原作者：K同学啊|接辅导、项目定制⏲往期文章：深度学习实战训练
Jessica2017lj·2022-11-12 15:05

【Pytorch深度学习实战】（4）前馈神经网络（FNN）

大家好，我是Sonhhxg_柒，希望你看完之后，能对你有所帮助，不足请指正！共同学习交流个人主页－Sonhhxg_柒的博客_CSDN博客欢迎各位→点赞+收藏⭐️+留言系列专栏-机器学习【ML】自然语言处理【NLP】深度学习【DL】foreword✔说明⇢本人讲解主要包括Python、机器学习（ML）、深度学习（DL）、自然语言处理（NLP）等内容。如果你对这个系列感兴趣的话，可以关注订阅哟FNN模
Sonhhxg_柒·2022-11-11 23:18

一文了解深度学习实战——分类篇

本文将从两个案例MNIST手写数字识别、狗的品种识别入手，让童鞋们从实战角度快速入门深度学习的分类部分！目录MNIST手写数字识别TensorFlow搭建MLPTensorFlow搭建CNNKeras搭建MLPKeras搭建CNN狗的品种识别Keras搭建CNN迁移学习（InceptionV3）MNIST手写数字识别TensorFlow搭建MLPimportnumpyasnpimporttenso
全栈O-Jay·2022-11-11 10:26

深度学习实战 第7章循环神经网络笔记

第7章循环神经网络1.前馈神经网络总是单向的，从输入层到低级隐层，再从低级隐藏层到高级隐藏层，最后再到输出层。但不管网络有多少层，都是一层一层地前向输出。但这其实是有问题的，因为这种前馈结构需要假设数据是独立同分布，但现实中有很多复杂的数据都不满足这个条件，例如音频数据、视频数据及自然语言数据等。2.当我们将一篇英文文本翻译成中文文本时，句子之间，段落之间是存在上下文关系的，在特定的情景中单词的意
醉一心·2022-11-10 13:47

pytorch深度学习实战lesson7

第七课矩阵求导本节课我们将把矩阵与导数结合到一起，学会矩阵求导操作后，对以后的优化模型有很大的帮助。标量的导数（高中学的）亚导数我理解的亚导数就是对导数不存在的函数求导，然后得到的分段的导数就是亚导数。梯度1、当y是标量，x是向量。它求导之后变成行向量。举个例子：2、当y是向量，x是标量。它求导之后变成列向量。3、当y是向量，x是向量。它求导之后是矩阵。标量对标量求导是标量；标量对向量求导是向量；
光·宇·2022-11-10 11:20

pytorch深度学习实战lesson8

第八课自动求导理论部分求导主要是有两种方式，第一种是符号求导，第二种是数值求导。自动求导的内部其实是计算图，计算图是将代码分解成操作子，将计算表示成一个无环图。计算图的显式构造：（mxnet）计算图的隐式构造：（mxnet）反向累计是比较常用的。总结：构造计算图前向：执行图，存储中间结果（设置中间变量）反向：从相反的方向执行图去除不需要的枝深度学习耗GPU资源体现在内存复杂度上面。因为求梯度时需要
光·宇·2022-11-10 11:20
上一页 25 26 27 28 29 30 31 32 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他