动手学深度学习学习整理

动手学深度学习--4.多层感知机

detach()用法目的：神经网络的训练有时候可能希望保持一部分的网络参数不变，只对其中一部分的参数进行调整，或者训练部分分支网络，并不让其梯度对主网络的梯度造成影响，这个时候我妈就需要使用detach()函数来切断一些分支的反向传播。tensor.detach()tensor.detach()会返回一个新的tensor，从当前的计算图中分离下来，但是仍指向原变量的存放位置，不同之处只是requi
为啥不能修改昵称啊·2023-01-13 09:46

【动手学深度学习】线性回归的简洁实现【代码】

更详细的解释地址importnumpyasnpimporttorchfromtorch.utilsimportdatafromd2limporttorchasd2ltrue_w=torch.tensor([2,-3.4])true_b=4.2features,labels=d2l.synthetic_data(true_w,true_b,1000)defload_array(data_arrays
I"ll carry you·2023-01-13 01:25

【笔记】动手学深度学习-线性回归

注：期望(mean)（或均值，亦简称期望）：为试验中每次可能结果的概率乘以其结果的总和，是最基本的数学特征之一。它反映随机变量平均取值的大小。方差：为各个数据与平均数之差的平方的和的平均数梯度：数学上就是f(x,y)中，f对x的偏导和对y的偏导两者的和。图像上可以理解为指向f函数值最快增加方向。梯度讲解简洁实现使用nn模具，和预处理模块来使得实现更为简单1importnumpyasnpimport
echo_gou·2023-01-13 01:23

动手学深度学习_线性回归

目录线性回归平方损失函数pytorch实现线性回归线性回归（LinearRegression）可以追溯到19世纪初，它在回归的各种标准工具中最简单而且最流行。线性回归基于几个简单的假设：首先，假设自变量x和因变量y之间的关系是线性的，即y可以表示为x中元素的加权和，这里通常允许包含观测值的一些噪声；其次，我们假设任何噪声都比较正常，如噪声遵循正态分布。线性模型可以表示为：向量版本：线性模型可以看做
CV小Rookie·2023-01-13 01:23

【动手学深度学习】 1前言

李沫《动手学深度学习》课程学习具体代码保存在自己的内存中，学完之后会考虑将资源全部上传，写文档的目的是保留一些自己认为重要的内容、调试的过程、练习的内容，尽力一周一章的学习进度。
sumshine_·2023-01-13 00:38

2021-03-14 梳状滤波器学习整理

梳状滤波器学习整理目录梳状滤波器学习整理1.梳状滤波器定义2.梳状滤波器仿真（1）matlab函数：
weixin_41724971·2023-01-12 12:27

NLP学习笔记（三）- 李沐老师《动手学深度学习》

准备开肝李沐老师的《动手学深度学习》《动手学深度学习》链接：http://tangshusen.me/Dive-into-DL-PyTorch/#/课程：课程安排-动手学深度学习课程B站视频：https
bit熊·2023-01-12 11:22

动手学深度学习-李沐（7）

一、权重衰退常用的处理过拟合的方法1、使用均方范数作为硬性限制通过限制参数值的选择范围来控制模型容量限制w的数值2、使用均方范数作为柔性限制（常用）补：正则项就是防止损失函数最优导致过拟合，把损失函数的最优点往外拉一拉3、总结权重衰退通过L2正则项使得模型参数不会过大，从而控制模型复杂度正则权重是控制模型负责度的超参数
Everyyang·2023-01-12 11:49

动手学深度学习-李沐（8）

一、dropout丢弃法1、动机一个好的模型需要对输入数据的扰动鲁棒丢弃法：在层之间加入噪音——正则2、方法给定一个概率，一定概率变成0，一定概率使得元素变大期望不发生变化3、使用4、总结丢弃法将一些输出项随机置0来控制模型复杂度常作用在多层感知机的隐藏层输出上丢弃概率来控制模型复杂度的超参数
Everyyang·2023-01-12 11:49

动手学深度学习-李沐（5）

一、Softmax回归1、回归和分类问题回归是估计一个连续值分类是预测一个离散类别（分类从回归的单输出变成了多输出，输出的个数就是类别的个数）2、ont-hot编码格式使用均方损失训练使用最大值标号作为预测3、softmax的作用：输出是一个概率（非负和为1）概率y和y^的区别作出损失4、用交叉熵常用来衡量两个概率的区别假设p,q是一对离散概率，假设有n个元素，对每个元素i进行操作将交叉熵作为损失
Everyyang·2023-01-12 11:48

动手学深度学习-李沐（2）

1、范数的概念2、对称与反对称Aij=Aji(对称)Aij=-Aji(反对称)3、正定4、正交矩阵5、特征向量不被矩阵改变方向的向量6、标量标量由只有一个元素的张量表示x=torch.tensor([3.0])7、向量向量由标量值组成的列表x=torch.arange(4)
Everyyang·2023-01-12 11:18

动手学深度学习-李沐（3）

1、标量的导数2、对于不可导的情况，例如：y=|x|3、将导数拓展到向量标量求导是标量向量求导是向量4、补：上面是向量下面是标量，维度不变上面是标量下面是向量，维度变化（标量是一个值，向量是一串值）5、标量、向量求导问题
Everyyang·2023-01-12 11:48

【机器学习、深度学习与强化学习】机器学习（1）---机器学习简介

、深度学习和强化学习，请注意强化学习需要ML与DL的一部分基础，不要直接跳到RL去学习，效率很低，参考资料很多，我先列一些我会用到的机器学习、深度学习的参考资料吧：1.西瓜书——周志华《机器学习》2.动手学深度学习
旋转跳跃我闭着眼·2023-01-11 20:05

mongodb和mysql如何关联_mongodb学习整理三,mongodb与MYSQL之间的联系。query与projection...

mongodb学习整理三,mongodb与MYSQL之间的联系。
ll小喷油·2023-01-11 17:58

《动手学深度学习》(六) -- 图像增广与微调

1图像增广图像增广在对训练图像进行一系列的随机变化之后，生成相似但不同的训练样本，从而扩大了训练集的规模。此外，应用图像增广的原因是，随机改变训练样本可以减少模型对某些属性的依赖，从而提高模型的泛化能力。例如，我们可以以不同的方式裁剪图像，使感兴趣的对象出现在不同的位置，减少模型对于对象出现位置的依赖。我们还可以调整亮度、颜色等因素来降低模型对颜色的敏感度。可以说，图像增广技术对于AlexNet的
长路漫漫2021·2023-01-11 16:07

动手学深度学习（二十六）——图像增广(一生二，二生三，三生万物？)

文章目录一、图像增广二、常用的图像增广方法1.翻转和裁减2.颜色改变3.叠加使用多种数据增广方法三、使用图像增广进行训练四、总结（干活分享）一、图像增广定义&解释：通过对训练图像做一系列随机改变，来产生相似但又不同的训练样本，从而扩大训练数据集的规模。随机改变训练样本可以降低模型对某些属性的依赖，从而提高模型的范化能力二、常用的图像增广方法使用下面这张400x500的图像作为范例%matplotl
留小星·2023-01-11 16:34

经典机器学习方法（2）—— Softmax 回归

参考：动手学深度学习注：本文是jupyternotebook文档转换而来，部分代码可能无法直接复制运行！
云端FFF·2023-01-11 16:32

AI学习网站-收录

speech.ee.ntu.edu.tw/~hylee/ml/2022-spring.php白板推导：https://space.bilibili.com/97068901/channel/series李沐系列动手学深度学习
Ray Song·2023-01-11 11:33

oauth2统一认证授权

oauth2.0统一认证授权1.认证与授权最近学习整理了下认证授权相关实现，下面是大概的一些理解与学习过程。在分布式系统中每个服务都需要认证，授权。
wxfs·2023-01-11 10:48

动手学深度学习——循环神经网络

循环神经网络循环神经网络（RNN）主要用于预测任务：基于当前和历史输入序列，预测序列的下一个字符。循环神经网络相对于普通神经网络而言，最大的特点在于颖仓变量HHH的引进，用HtH_{t}Ht表示HHH在时间步ttt的值，该变量记录了到当前字符为止的序列信息。历史信息的使用使得预测更为精确。循环神经网络的示意图：循环神经网络模型假设Xt∈Rn×d\boldsymbol{X_{t}\in\mathbb
伸腿瞪眼丸·2023-01-11 07:48

【动手学深度学习】之 现代卷积神经网络 AlexNet VGGNet NIN 习题解答

动手学深度学习7.1AlexNet试着增加迭代轮数。对比LeNet的结果有什么不同？为什么？增加迭代次数，LeNet的准确率比AlexNet低，因为复杂的网络有着更强的学习能力。
丶契阔·2023-01-10 19:59

动手学深度学习（三）——torch操作（详细整理文档）

文章目录非常详细的一个文档，学习pytorch可以详细研究一下：对一些比较重要的功能和知识点进行复现：一、创建tensor张量二、tensor与numpy之间的相互转换三、tensor.function与tensor.function_的区别四、修改tensor的形状五、索引操作六.逐元素操作七.归并操作八、比较操作非常详细的一个文档，学习pytorch可以详细研究一下：http://www.fe
留小星·2023-01-10 12:14

《动手学深度学习》13.4锚框

13.4.1生成多个锚框参考:13.4.1生成多个锚框.代码实现导入功能包importtorchimportmatplotlib.pyplotasplt#精简打印精度，保留两位小数torch.set_printoptions(precision=2)定义生成以每个像素为中心具有不同形状的锚框函数#指定输入、一组大小和一组宽高比，该函数将返回输入的所有锚框defmultibox_prior(feat
whut_52xj·2023-01-10 12:37

42. 锚框

这是根据沐神的动手学深度学习PyTorch版中的第42讲做的笔记。
lyqstar...·2023-01-10 11:36

动手学深度学习之锚框

锚框锚框就是一个框，边缘框就是一个物体的真实的位置的一个框，锚框是对这个边缘框位置的一个猜测。算法先给我们画出一个框，然后看这个框里面有没有物体。如果有的话，算法就基于这个物体进行预测，它到我们真实的边缘框是怎么偏移过去的。简单来说就是，先提出多个框，然后看看框里面有没有这个物体，有的话，就基于这个框来调整位置。这样我们就有两个预测，一个是对框中是否存在该物体的预测，另一个是锚框到真实的边缘框的预
哈哈哈捧场王·2023-01-10 11:30

SSD目标检测的个人总结（1）—— 锚框的生成

沐神的b站动手学深度学习电子版锚框以SSD（单发多框检测）为例，在输入图像上，我们会以图片的每一个像素为中心，生成多个缩放比（Size）和
zyf_freashman·2023-01-10 11:29

李沐动手学深度学习v2-目标检测中的锚框和代码实现

一.目标检测中的锚框前提：本节锚框代码实现，使用了很多Pytorch内置函数，如果有对应函数看不懂的地方，可以查看前面博客对相应函数的具体解释，如下链接所示：Pytorch中torch.meshgrid（）函数解析Pytorch中torch.stack()函数解析Pytorch中torch.cat()函数解析Pytorch中tensor.T（torch.T）解析Pytorch中torch.repe
cv_lhp·2023-01-10 11:56

目标检测-锚框概念和代码实现

前言经历过图像分类后，进一步的就是更复杂的目标检测了，从这一章开始，将会不断记录图像目标检测中的学习经历，其中大多数思路以及代码来源，来自于李沐的动手学深度学习课程，不过在这里，我会尽可能不用d2l的库
TOPthemaster·2023-01-10 11:25

【动手学深度学习】之锚框生成函数代码实现

【代码】：importtorchfromd2limporttorchasd2l#更改打印设置torch.set_printoptions(2)defmultibox_prior(data,sizes,ratios):"""生成以每个像素为中心具有不同形状的锚框。"""#图片的高和宽in_height,in_width=data.shape[-2:]#查看操作设备（CPU/GPU），与锚框的参数de
LearnerzzZ·2023-01-10 11:55

【学习笔记】Python获取磁盘、文件夹大小信息（一）

通过学习整理了下，仅供参考。
·2023-01-10 10:35

我要开始学习人工智能啦！

从今天开始，我将认真学习李沐老师的《动手学深度学习》和《实用机器学习》。我只是想要了解一下人工智能的相关知识。从今往后，我每天大约要花一个半小时的时间在人工智能上。我要将自己的所学记录在CSDN上。
IWMAIN·2023-01-09 12:56

DJL-Java开发者动手学深度学习之使用Softmax进行分类

分类在之前的文章中，我们介绍了线性回归的基本概念DJL-Java开发者动手学深度学习之线性回归，并使用高层API实两简单线性回归模型DJL-Java动手学深度学习之线性回归实现，有预测结果。
ousinka·2023-01-09 08:53

动手学深度学习的符号

@TOC数字张量:张量概念是矢量概念的推广，矢量是一阶张量。张量是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数。集合论函数和运算符自然对数:自然对数是以常数e为底数的对数，记作lnN（N>0）,数学中也常见以logx表示自然对数。指数函数:一般地，y=a^x函数(a为常数且以a>0，a≠1)叫做指数函数指示函数:看链接按元素相乘:字面意思连结:字面意思向量的点积:点积在数学中
Jeremy Li·2023-01-09 08:21

【动手学深度学习】20.卷积层里的填充和步幅

1、填充2、步幅这里的P是填充的总行数；nn.Conv2d(1,1,kernel_size=3,padding=1,stride=2),以此为例Ph和Pw就是为2，padding只是一边要加的行数或列数，上下左右加1行和1列。卷积核一般为3X3大小，如果不是则一般是基数填充通常是卷积核大小-1
ShadoooWM·2023-01-09 06:52

吴恩达深度学习工程师系列课程笔记（Deep Learning Specialization - deeplearning.ai）

深度学习笔记导航前言传送门完结感想前言选择吴恩达的深度学习视频作为入门是明智的选择，我对比过包括动手学深度学习在内的一些入门资料，感觉还是吴恩达的最为通俗易懂，虽然他在RNN那部分讲的一般，但是即使是这样
亦梦亦醒乐逍遥·2023-01-09 00:42

LSTM的结构、原理及其数据的输入格式介绍

的三个门4.LSTM神经网络的输入输出参考资料前言LSTM由于其结构特点，能够学习长的依赖关系，被广泛应用到深度学习的各个领域，作者最近使用LSTM实现了两个小的工程应用场景，对LSTM的结构以及特点进行了学习整理
Levennnnn·2023-01-08 21:26

动手学深度学习笔记day3

线性回归线性模型线性假设是指目标（房屋价格）可以表示为特征（面积和房龄）的加权和，或其中，x,w∈损失函数回归问题中最常用的损失函数是平方误差函数。当样本i的预测值为y^(i)，其相应的真实标签为y(i)时，平方误差可以定义为以下公式：为了度量模型在整个数据集上的质量，需计算在训练集n个样本上的损失均值（也等价于求和）。在训练模型时，希望寻找一组参数（w∗,b∗），这组参数能最小化在所有训练样本上
努力学习的廖同学·2023-01-08 16:59

《动手学深度学习（Dive into Deeplearning）》（第二版）——第二章 _2.1 数据操作

《动手学深度学习（DiveintoDeeplearning）》（第二版）——第二章_2.1数据操作第二章预备知识§2.0开始§2.1数据操作2.1.1入门2.1.2运算2.1.3广播机制2.1.4索引和切片
def_Mark_Heng·2023-01-08 11:05

pytorch深度学习入门-1

文章目录动手学深度学习搭建自己的pytorch环境初识torch收获参考文献动手学深度学习发现了一个不错的教程，《动手学深度学习》，在此记录这个过程中出现的一些问题。
smile_chance·2023-01-08 11:52

经典机器学习方法（1）—— 线性回归

参考：动手学深度学习注：本文是jupyternotebook文档转换而来，部分代码可能无法直接复制运行！
云端FFF·2023-01-08 07:42

动手学深度学习——线性回归之从零开始代码实现

线性回归的从零开始实现在了解线性回归的关键思想之后，我们可以开始通过代码来动手实现线性回归了。在这一节中，我们将从零开始实现整个方法，包括数据流水线、模型、损失函数和小批量随机梯度下降优化器。虽然现代的深度学习框架几乎可以自动化地进行所有这些工作，但从零开始实现可以确保你真正知道自己在做什么。同时，了解更细致的工作原理将方便我们自定义模型、自定义层或自定义损失函数。在这一节中，我们将只使用张量和自
时生丶·2023-01-08 07:38

Colab报错：ImportError: cannot import name ‘_check_savefig_extra_args‘ from ‘matplotlib.backend_bases‘

目录问题描述：解决办法：问题描述：在跟着沐神学习《动手学深度学习V2》的时候，在”08线性回归+基础优化算法“的时候，Colab报错ImportError:cannotimportname'_check_savefig_extra_args'from'matplotlib.backend_bases
薰珞婷紫小亭子·2023-01-07 13:40

8李沐动手学深度学习v2/逻辑回归（softmax回归（分类））从0开始实现

总结：softmax做预测输出交叉熵做损失函数多类别,一个样本属于每个类别的概率python中张量乘法都是对应位置元素相乘数据模型超参数参数损失函数优化算法开始训练梯度：谁要计算梯度requires.grad；不计算梯度detach()当前结点移出计算图；不计算梯度withtorch.no_grad()；清空梯度param.grad.zero()updater.zero_grad()梯度：没有对要
xcrj·2023-01-07 09:47

Softmax（分类模型基础）——最全重难点解释及代码

1.3整合所有组件2.初始化模型参数3.定义softmax操作3.1sum()方法基础3.2softmax操作4定义模型5.定义损失函数6.分类准确率7.训练7.2定义优化器写在前面：本节内容主要参考自《动手学深度学习
Yuuu_le·2023-01-07 09:45

机器学习基础（6）—— 使用权重衰减和丢弃法缓解过拟合问题

参考：动手学深度学习注：本文是jupyternotebook文档转换而来，部分代码可能无法直接复制运行！
云端FFF·2023-01-06 13:34

动手学深度学习 第三章 线性神经网络 练习（Pytorch版）

文章目录线性神经网络线性回归小结练习线性回归的从零开始实现小结练习线性回归的简洁实现小结练习softmax回归小结练习图像分类数据集小结练习softmax回归的从零开始实现小结练习softmax回归的简洁实现小结练习线性神经网络线性回归小结机器学习模型中的关键要素是训练数据、损失函数、优化算法，还有模型本身。矢量化使数学表达上更简洁，同时运行的更快。最小化目标函数和执行极大似然估计等价。线性回归模
看星星的花栗鼠·2023-01-06 11:27

《动手学深度学习》第三章——（4）softmax回归的简洁实现_学习思考与习题答案

文章目录重新审视Softmax的实现优化算法训练练习#作者github[源码地址](https://github.com/Zhangshuor/deeplearning/blob/main/chapter_linear-networks/linear-regression-concise.py)#softmax回归的简洁实现:label:`sec_softmax_concise`在:numref:
coder_sure·2023-01-06 11:56

动手学深度学习-Softmax与分类模型-Day1

Softmax与分类模型今天完成的依然是day1打卡内容中的~学习内容：softmax回归的基本概念如何获取Fashion-MNIST数据集和读取数据Softmax回归模型的从零开始实现，实现一个对Fashion-MNIST训练集中的图像数据进行分类的模型使用pytorch重新实现Softmax回归模型Softmax的基本概念分类问题一个简单的图像分类问题，输入图像的高和宽均为2像素，色彩为灰度（
Aileen爱学习·2023-01-06 11:26

动手学深度学习c0304softmax函数

动手学深度学习3.4softmax回归3.4.1分类问题3.4.2网络框架3.4.3全连接层的参数开销3.4.4softmax运算3.4.5小批量样本的矢量化3.4.6损失函数对数似然softmax及其导数交叉熵损失
Ysdabaicai·2023-01-06 11:53

《动手学深度学习》task5_3 卷积神经网络进阶

系统学习《动手学深度学习》点击这里：《动手学深度学习》task1_1线性回归《动手学深度学习》task1_2Softmax与分类模型《动手学深度学习》task1_3多层感知机《动手学深度学习》task2
shiinerise·2023-01-06 11:19
上一页 22 23 24 25 26 27 28 29 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他