动手学深度学习

李沐《动手学深度学习》课程笔记：00预告、01课程安排、02深度学习介绍

目录00预告01课程安排02深度学习介绍00预告学习深度学习关键是动手深度学习是人工智能最热的领域核心是神经网络应该像学习Python/C++一样学习深度学习01课程安排目标介绍深度学习经典和最新模型：LeNet,ResNet,LSTM,BERT,...机器学习基础：损失函数、目标函数、过拟合、优化实践：使用Pytorch实现介绍的知识点；在真实数据上体验算法效果内容深度学习基础-线性神经网络，多
feiwen110·2022-10-11 14:43

李沐动手学深度学习V2-AlexNet模型和代码实现

1.AlexNet1.1AlexNet概要如果你和机器学习研究人员交谈，你会发现他们相信机器学习既重要又美丽：优雅的理论去证明各种模型的性质。机器学习是一个正在蓬勃发展、严谨且非常有用的领域。然而，如果你和计算机视觉研究人员交谈，你会听到一个完全不同的故事。他们会告诉你图像识别的诡异事实————推动领域进步的是数据特征，而不是学习算法。计算机视觉研究人员相信**，从对最终模型精度的影响来说，更大或
cv_lhp·2022-10-11 14:42

使用YOLOv5实现人脸口罩佩戴检测（详细）

前言最近把李沐大神《动手学深度学习v2》的目标检测部分学完了，就想找一个项目练练手，学以致用嘛，觉着人脸口罩佩戴检测比较符合当下时代背景，所以就选择了这个项目，也是前几天刚刚完成的，写下这篇博客记录一下具体过程
Stick_2·2022-10-09 14:56

卷积运算(CNN卷积神经网络)

以下介绍与计算均出自李沐老师的《动手学深度学习》，如有疑问请看原文或在下方留言。
Gaolw1102·2022-10-06 16:58

李沐动手学深度学习V2-RNN循环神经网络原理

一.李沐循环神经网络RNN原理1.介绍前面博文介绍了nnn元语法模型，其中单词xtx_txt在时间步ttt的条件概率仅取决于前面n−1n-1n−1个单词。对于时间步t−(n−1)t-(n-1)t−(n−1)之前的单词，如果想将其可能产生的影响合并到xtx_txt上，需要增加nnn，导致模型参数的数量也会随之呈指数增长，因为词表V\mathcal{V}V需要存储∣V∣n|\mathcal{V}|^n
cv_lhp·2022-10-04 07:19

Pytorch LSTM 长短期记忆网络

PytorchLSTM长短期记忆网络0.环境介绍环境使用Kaggle里免费建立的Notebook教程使用李沐老师的动手学深度学习网站和视频讲解小技巧：当遇到函数看不懂的时候可以按Shift+Tab查看函数详解
哇咔咔负负得正·2022-10-03 07:47

现代循环神经网络-2.长短期记忆网络(LSTM)【动手学深度学习v2】

上一篇：现代循环神经网络-1.门控循环单元（GRU）【动手学深度学习v2】文章目录2.长短期记忆网络2.1输入门、忘记门和输出门2.2候选记忆元2.3记忆单元2.4隐状态2.5LSTM的代码实现2.6LSTM
紫色银杏树·2022-10-03 07:16

深度学习PyTorch笔记（6）：Tensor与NumPy、标量的转换

相互转换1.5.1Tensor转NumPy1.5.2Numpy转Tensor1.5.3直接用torch.tensor()将NumPy数组转换成Tensor1.6将大小为1的张量转换为Python标量这是《动手学深度学习
三耳01·2022-10-02 07:48

《动手学深度学习》 pytorch版-Tensor和NumPy相互转换

1、Tensor转NumPy#Tensor和NumPy相互转换#我们很容易用numpy()和from_numpy()将Tensor和NumPy中的数组相互转换。#但是需要注意的一点是：这两个函数所产生的的Tensor和NumPy中的数组共享相同的内存（所以他们之间的转换很快），#改变其中一个时另一个也会改变！！！importtorch'''Tensor转NumPy使用numpy()将Tensor转
小夭。·2022-10-02 07:15

动手学深度学习——softmax回归之OneHot、softmax与交叉熵

目录一、从回归到多类分类1.回归估计一个连续值2.分类预测一个离散类别二、独热编码OneHot三、校验比例——激活函数softmax四、损失函数——交叉熵五、总结回归可以用于预测多少的问题，比如预测房屋被售出价格，或者棒球队可能获得的胜场数，又或者患者住院的天数。事实上，我们也对分类问题感兴趣，不是问“多少”，而是问“哪一个”：某个电子邮件是否属于垃圾邮件文件夹？某个用户可能注册或不注册订阅服务？
时生丶·2022-10-01 07:55

softmax回归与交叉熵损失函数

交叉熵损失函数在《动手学深度学习》softmax回归一节中，交叉熵损失函数比较晦涩，学习csdn上其他博客后有了一定了解，做此记录softmax回归softmax回归同线性回归一样，也是一个单层神经网络
leSerein_·2022-10-01 07:41

动手学深度学习（二十八）——目标物体检测+多尺度目标检测

文章目录一、目标检测任务概述二、目标检测和边界框2.1锚框定义及相关基础知识2.2基于锚框的目标检测算法2.2.1怎么去进行目标检测？2.2.2生成训练锚框+交并比比较锚框相似度2.2.3怎么去赋予锚框标号?2.2.4使用非极大值抑制（NMS）输出（每个类别保留一个框）2.3动手代码实现锚框三、多尺度目标检测3.1多尺度目标检测综述3.2多尺度特征检测锚框生成示例四、参考整理一、目标检测任务概述 
留小星·2022-09-29 07:47

动手学深度学习pytorch版练习解答-3.4softmax回归

这一节习题数学能力要求比较高，我的有限，如果有不同意见或者我哪里写错了欢迎讨论练习1.我们可以更深入地探讨指数族与softmax之间的联系。（1）计算softmax交叉熵损失l(y,y^)l(\mathbf{y},\hat{\mathbf{y}})l(y,y^)的二阶导数（2）计算softmax(o)给出的分布⽅差，并与上面计算的⼆阶导数匹配。解：（1）由公式3.4.9和3.4.10：（2）由方差
Innocent^_^·2022-09-28 21:43

动手学深度学习_卷积神经网络CNN

目录MLP到CNN的转变transitionalinvariance平移不变性locality局部性图像卷积互相关计算：卷积层padding填充stride步长1x1卷积pooling汇聚层（池化层）MLP到CNN的转变传统的MLP对于图片的处理参数量太大，现在随手拍一张照片像素都在几千万吧，当我们把这张图片送入MLP，假设使用隐藏层不断的降维，里面的参数也得有几十亿，根本没办法训练。另外神经元个
CV小Rookie·2022-09-28 12:39

用Attention和微调BERT进行自然语言推断-PyTorch

动手学深度学习笔记一、自然语言推断与数据集1.自然语言推断2.斯坦福自然语言推断数据集二、利用注意力进行自然语言推断1.模型2.训练和评估模型3.预测三、微调BERT进行自然语言推断1.加载预训练的BERT2
葫芦娃啊啊啊啊·2022-09-26 07:26

几种卷积神经网络

更详细的视频教程可参考动手学深度学习PyTorch版，笔记教程可参考动手学习深度学习系列文章目录深度学习预备知识深度学习基础I深度学习基础II卷积神经网络文章目录系列文章目录系列文章目录前言一、LeNet
叶~子·2022-09-25 07:39

【李沐AI论文精读】ICLR2021 ViT transformer

读论文系列最前言写在前面的一些（废）话上岸以后一直在摸鱼，浑浑噩噩拖拖拉拉的学完了动手学深度学习PyTorch版，太感谢沐神了！彻底入坑他的各种系列课程了！
咯吱咯吱咕嘟咕嘟·2022-09-24 15:27

动手学深度学习——线性回归之线性模型与梯度下降法

目录1.线性回归模型与损失函数1.1构建简化模型1.2构建线性模型1.3线性模型联系神经网络1.4神经网络源于神经科学1.5构建损失函数1.6构建训练数据集1.7利用损失进行参数学习1.8学习过程表示为显示解1.9线性回归总结2.梯度下降法与参数优化2.1参数优化实现2.2学习率选取2.3小批量随机梯度下降2.4批量大小选取2.5梯度下降法总结1.线性回归模型与损失函数为了解释线性回归，我们举一个
时生丶·2022-09-23 12:50

深度学习——线性回归实现笔记

这个是我个人学习笔记，跟着b站沐神学习，链接：08线性回归+基础优化算法【动手学深度学习v2】_哔哩哔哩_bilibili我仅仅对代码进行一些解读，发现有解读不对的地方，欢迎大家来评论区讨论目录生成数据集第一步
heart_6662·2022-09-23 12:50

动手学深度学习——线性回归模型介绍

关于房价预测1、一个简化的模型假设1：影响房价的关键因素是卧室个数，卫生间个数和居住面积，记为x1,x2,x3.假设2：成交的关键因素的加权和y=w1x1+w2x2+w3x3+bquanzhong权重和偏差的实际值在后面决定2、线性模型给定n维输入：线性模型有一个n维权重和一个标量偏差：输出是输入的加权和：向量版本：y=
橙子吖21·2022-09-23 12:20

Pytorch 数据增广（Data Augmentation）

Pytorch数据增广（DataAugmentation）0.环境介绍环境使用Kaggle里免费建立的Notebook教程使用李沐老师的动手学深度学习网站和视频讲解小技巧：当遇到函数看不懂的时候可以按Shift
哇咔咔负负得正·2022-09-23 12:20

动手学深度学习（六）——线性回归网络

文章目录pytorch学习（六）——线性回归网络一、导入相关模块儿（主要是torch相关的内容）二、生成数据（数据+噪声）三、构建网络模型（继承tensor.nn中的模型类）四、定义模型（网络模型、代价函数与优化器）五、查看模型参数（并非必要）六、模型训练七、绘图查看pytorch学习（六）——线性回归网络说明：这篇博客主要是pytorch实现线性回归模型，可以非常清晰地看清在pytorch之中进
留小星·2022-09-23 12:16

【深度学习PyTorch】层和块、参数访问和初始化、保存和加载模型参数

动手学深度学习-深度学习计算笔记一、层和块1.自定义块2.顺序块3.在前向传播函数中执行代码二、参数管理1.访问参数2.参数初始化3.参数绑定三、自定义层1.不带参数的层2.带参数的层四、读写文件1.加载和保存张量
葫芦娃啊啊啊啊·2022-09-21 11:47

深度学习+pytorch自学笔记（七）——模型构造、模型参数的访问、初始化和共享、自定义层、读取和存储、GPU计算

参考书籍《动手学深度学习(pytorch版），参考网址为：https://tangshusen.me/Dive-into-DL-PyTorch/#/chapter04_DL_computation/4.1
子非鱼icon·2022-09-21 11:16

Pytorch基本操作（10）——完整的模型训练、验证套路

前言在学习李沐在B站发布的《动手学深度学习》PyTorch版本教学视频中发现在操作使用PyTorch方面有许多地方看不懂，往往只是“动手”了，没有动脑。
Xujl99·2022-09-20 07:40

人工神经网络理论及应用pdf,人工智能的相关书籍

2、动手学深度学习目前市面上有关深度学习介绍的书籍大多可分两类，一类侧重方法介绍，另一类侧重实践和深度学习工具的介绍。本书同时覆盖方法和实践。
快乐的小荣荣·2022-09-20 07:55

Pytorch 深度卷积神经网络 AlexNet

Pytorch深度卷积神经网络AlexNet0.环境介绍环境使用Kaggle里免费建立的Notebook教程使用李沐老师的动手学深度学习网站和视频讲解小技巧：当遇到函数看不懂的时候可以按Shift+Tab
哇咔咔负负得正·2022-09-19 12:21

深度学习 基础硬件CPU GPU知识笔记

参考：李沐《动手学深度学习v2》https://www.bilibili.com/video/BV1TU4y1j7Wd桌面GPU排名：https://www.mydrivers.com/zhuanti/
路新航·2022-09-19 07:42

【动手学深度学习v2】学习笔记01：数据操作、数据预处理

我观看的网课是李沐老师的动手学深度学习v2，文章也是主要
鱼儿听雨眠·2022-09-11 07:56

《动手学深度学习》笔记

相关笔记李沐的《动手学深度学习v2》PyTorch版笔记相关笔记李沐的《动手学深度学习v2》PyTorch版前言相关笔记随笔04数据预处理05线性代数基础概念1.标量scalar2.向量3.矩阵4.张量
叁陆玖1024·2022-09-11 07:43

【动手学深度学习v2】学习笔记02：线性代数、矩阵计算、自动求导

前文回顾：数据操作、数据预处理文章目录一、线性代数实现1.1标量和向量1.2矩阵和多维张量1.3张量的运算1.3.1基础运算1.3.2按特定轴运算1.3.3乘积运算1.3.4范数二、矩阵计算2.1标量导数2.2向量导数2.2.1标量-向量求导2.2.2向量-标量求导2.2.3向量-向量求导三、自动求导3.1链式法则3.2自动求导3.3计算图3.4两种模式3.4.1正向累积与反向累积3.4.2反向累
鱼儿听雨眠·2022-09-11 07:59

NNDL 实验五 前馈神经网络

基于前馈神经网络完成鸢尾花分类ref：NNDL实验4（上）-HBU_DAVID-博客园(cnblogs.com)NNDL实验4（下）-HBU_DAVID-博客园(cnblogs.com)2.5.自动微分—动手学深度学习
HBU_David·2022-09-08 07:35

55_循环神经网络RNN的实现 动手学深度学习 PyTorch版 李沐视频课笔记

动手学深度学习PyTorch版李沐视频课笔记李沐视频课笔记其他文章目录链接(不定时更新)文章目录动手学深度学习PyTorch版李沐视频课笔记一、RNN从零开始实现1.读取数据集2.独热编码3.每次采样的小批量数据形状是二维张量
认真学习的小张·2022-09-02 14:52

李沐动手学深度学习V2-使用Pytorch框架实现RNN循环神经网络

一.使用Pytorch实现RNN循环神经网络1.读取数据集上篇博文记录了RNN从零实现过程，现在使用Pytorch的高级API提供的函数实现RNN，首先读取时光机器数据集：importtorchimportd2l.torchfromtorchimportnnfromtorch.nnimportfunctionalasFbatch_size,num_steps=32,35train_iter,voc
cv_lhp·2022-09-02 14:50

李沐动手学深度学习V2-RNN循环神经网络从零实现

一.RNN循环神经网络从零实现1.加载数据集根据上篇博客介绍李沐动手学深度学习V2-RNN循环神经网络原理，来从头开始基于循环神经网络实现字符级语言模型，模型将在H.G.Wells的时光机器数据集上训练
cv_lhp·2022-09-02 14:20

动手学深度学习（MXNet）2：卷积神经网络

二维卷积层卷积运算frommxnetimportautograd,ndfrommxnet.gluonimportnndefcorr2d(X,K):h,w=K.shapeY=nd.zeros((X.shape[0]-h+1,X.shape[1]-w+1))foriinrange(Y.shape[0]):forjinrange(Y.shape[1]):Y[i,j]=(X[i:i+h,j:j+w]*K)
CopperDong·2022-09-01 07:25

【动手学深度学习】---0x07：卷积神经网络

【动手学深度学习】—0x07：卷积神经网络1）卷积神经网络（LeNet）卷积层解决问题：卷积层保留输入形状，使图像的像素在高和宽两个方向上的相关性均可能被有效识别卷积层通过滑动窗口将同一卷积核与不同位置的输入重复计算
和BUG做朋友的ZORO·2022-08-19 07:14

【动手学深度学习】---0x01：pytorch基础知识

【动手学深度学习】—基础知识1：Tensor：提供GPU计算和自动求梯度2："tensor"这个单词一般可译作“张量”，张量可以看作是一个多维数组。
和BUG做朋友的ZORO·2022-08-19 07:43

【动手学深度学习】---0x02：线性回归

【动手学深度学习】—0x02：线性回归问题一：矢量计算表达式importtorchfromtimeimporttimea=torch.ones(1000)b=torch.ones(1000)start=
和BUG做朋友的ZORO·2022-08-19 07:43

[深度学习]动手学深度学习笔记-15

Task6——批量归一化和残差网络15.1批量归一化本节我们介绍批量归一化（batchnormalization）层，它能让较深的神经网络的训练变得更加容易。在（实战Kaggle比赛：预测房价）里，我们对输入数据做了标准化处理：处理后的任意一个特征在数据集中所有样本上的均值为0、标准差为1。标准化处理输入数据使各个特征的分布相近：这往往更容易训练出有效的模型。通常来说，数据标准化预处理对于浅层模型
田纳尔多·2022-08-19 07:12

【沐神课程 - 动手学深度学习】实战二详解之 Kaggle比赛：分类树叶

参考与前言课程链接：跟李沐学AI的个人空间_哔哩哔哩_bilibili课程主页：https://zh-v2.d2l.ai/chapter_introduction/index.html相关代码参考：https://github.com/SHENZHENYI/Classify-Leaves-Kaggle-MuLi-d2l-coursepytorch官方相关教程参考：https://pytorch.o
Kin__Zhang·2022-08-19 07:41

动手学深度学习-pytorch

PyTorch是什么？为什么选择PyTorch？立即执行与延迟执行PyTorch是什么？PyTorch是一个Python程序库，有助于构建深度学习项目。PyTorch提供了一个核心数据结构Tensor（张量），这是一个多维数组，与NumPy数组有许多相似之处，在机器学习和其他数学密集型应用有广泛应用，不同之处在于张量可以使用GPU来加快计算。正如Python编程一样，PyTorch不仅是深入学习的
July_zh·2022-08-17 15:30

假期学习回顾与总结

学习内容专业理论学习：学习资料介绍：假期学习整体分为吴恩达深度学习课程和《动手学深度学习PYTORCH版》,前者偏重理论，感觉适合入门，网易云课堂视频（https://mooc.study.163.com
Clark-dj·2022-08-17 07:59

《动手学深度学习》(五) -- 多GPU训练

1自动并行深度学习框架（例如，MxNet和PyTorch）会在后端自动构建计算图。利用计算图，系统可以了解所有依赖关系，并且可以选择性地并行执行多个不相互依赖的任务以提高速度。通常情况下单个操作符将使用所有CPU或单个GPU上的所有计算资源。例如，即使在一台机器上有多个CPU处理器，dot操作符也将使用所有CPU上的所有核心（和线程）。这样的行为同样适用于单个GPU。因此，并行化对于单设备计算机来
长路漫漫2021·2022-08-13 07:10

《动手学深度学习》PyTorch版本

Dive-Into-Deep-Learning-PyTorch-PDF简介  本项目对中文版《动手学深度学习》中的代码进行整理，并参考一些优秀的GitHub项目给出基于PyTorch的实现方法。
zhenyu wu·2022-08-10 17:21

存放《动手学深度学习》PyTorch版

原书作者：阿斯顿·张、李沐、扎卡里C.立顿、亚历山大J.斯莫拉以及其他社区贡献者。目录预备知识1.1数据操作1.2自动求梯度1.3查阅文档1.4本章附录深度学习基础2.1线性回归2.2线性回归的从零开始实现2.3线性回归的简洁实现2.4softmax回归2.5图像分类数据集（Fashion-MNIST）2.6softmax回归的从零开始实现2.7softmax回归的简洁实现2.8多层感知机2.9多
神游py·2022-08-10 17:50

动手学深度学习之物体检测算法R-CNN，SSD，YOLO

区域卷积神经网络R-CNNR-CNN首先是使用启发式搜索算法来选择锚框，选出很多锚框之后，对于每一个锚框当作一张图片，使用一个预训练好的模型来对他进行特征抽取，然后训练一个SVM来对类别进行分类。使用一个线性回归模型来预测边缘框的偏移。兴趣区域(Rol)池化层上面我们得到不同的锚框，我们怎么将其变为一个batch？使用RoIPooling：给定一个锚框，我们将它均匀的切成n×mn\timesmn×
哈哈哈捧场王·2022-08-10 17:49

44 物体检测算法：R-CNN，SSD，YOLO [动手学深度学习v2]

R-CNN图1.R-CNN模型使用启发式搜索算法来选择锚框；使用预训练模型来对每个锚框抽取特征；训练一个SVM来对类别分类；训练一个线性回归模型来预测边缘框偏移。兴趣区域（RoI）池化层给定一个锚框，均匀分割成n×mn\timesmn×m块，输出每块里的最大值；不管锚框多大，总是输出nmnmnm个值。图2.一个2x2的兴趣区域汇聚层FastR-CNN图3.FastR-CNN模型使用CNN对图片抽取
Grin*·2022-08-10 17:48

李沐动手学深度学习V2-目标检测SSD

一.目标检测SSD(单发多框检测)1.介绍SSD模型主要由基础网络组成，其后是几个多尺度特征块。基本网络用于从输入图像中提取特征，因此它可以使用深度卷积神经网络。单发多框检测论文中选用了在分类层之前截断的VGG，现在也常用ResNet替代。我们可以设计基础网络，使它输出的高和宽较大，从而基于该特征图生成的锚框数量较多，可以用来检测尺寸较小的目标，接下来的每个多尺度特征块将上一层提供的特征图的高和宽
cv_lhp·2022-08-10 17:48

【动手学深度学习】week 10 | R-CNN，SSD，YOLO

R-CNN使用启发式搜索算法来选择锚框使用预训练模型来对每个锚框抽取特征训练一个SVM来对类别分类训练一个线性回归模型来预测边缘框偏移兴趣区域（RoI）池化层把一个锚框分割为n×m块，输出每块里面的最大值，这样无论锚框多大，总是输出nm个值。RoI主要是为了解决锚框大小不同的问题，使得锚框可以被pooling成固定大小的，可以做一个batch的处理。FasterRCNN将图片变成一个特征图，再变成
大胃羊·2022-08-10 17:18
上一页 24 25 26 27 28 29 30 31 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他