动手学深度学习

《动手学深度学习》Task04 ：机器翻译及相关技术；注意力机制与Seq2seq模型；Transformer

Task04：机器翻译及相关技术；注意力机制与Seq2seq模型；Transformer1.机器翻译及相关技术机器翻译和数据集机器翻译（MT）：将一段文本从一种语言自动翻译为另一种语言，用神经网络解决这个问题通常称为神经机器翻译（NMT）。主要特征：输出是单词序列而不是单个单词。输出序列的长度可能与源序列的长度不同。步骤：1.读取数据2.数据预处理3.分词：将字符串变成单词组成的列表4.建立词典：
StarCoder_Yue·2020-06-22 05:05

《动手学深度学习》task4——机器翻译及相关技术；注意力机制与Seq2seq模型；Transformer笔记

系统学习《动手学深度学习》点击下面这个链接，有全目录哦~https://blog.csdn.net/Shine_rise/article/details/104754764本篇目录1机器翻译1.1数据预处理
shiinerise·2020-06-22 05:09

《动手学深度学习》task3——过拟合、欠拟合及解决方案，梯度消失、梯度爆炸，循环神经网络进阶笔记

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·2020-06-22 05:09

动手学深度学习(tensorflow)---学习笔记整理（八、计算机性能篇）

有关公式、基本理论等大量内容摘自《动手学深度学习》(TF2.0版)）命令式编程和符号式编程是什么？
任菜菜学编程·2020-06-22 04:31

动手学深度学习(tensorflow)---学习笔记整理（九、优化算法篇）

有关公式、基本理论等大量内容摘自《动手学深度学习》(TF2.0版)）优化与深度学习优化在深度学习中有很多挑战。下面描述了其中的两个挑战，即局部最小值和鞍点。
任菜菜学编程·2020-06-22 04:31

动手学深度学习(tensorflow)---学习笔记整理（十、计算机视觉篇）

有关公式、基本理论等大量内容摘自《动手学深度学习》(TF2.0版)）这一部分主要是计算机视觉内容，之前说的cnn模型也是和视觉联系很大的～通过cnn的学习，我们了解了图片的结构和图片分类等内容，计算机视觉还有两个非常重要的内容
任菜菜学编程·2020-06-22 04:31

动手学深度学习(tensorflow)---学习笔记整理（七、卷积神经网络篇）

有关公式、基本理论等大量内容摘自《动手学深度学习》(TF2.0版)）前面我们需要简洁实现都是用的Sequential来实现的，我们可能发现简洁实现很简单，但是内部细节可能很难控制。
任菜菜学编程·2020-06-22 04:30

动手学深度学习(tensorflow)---学习笔记整理（二、线性回归篇）

（有关公式、基本理论等大量内容摘自《动手学深度学习》(TF2.0版)）首先说一下线性回归是什么？个人理解：线性回归利用某种方法来确定两种或两种以上变量间相互依赖的定量关系的一种分析方法。
任菜菜学编程·2020-06-22 04:59

动手学深度学习(tensorflow)---学习笔记整理（四、多层感知机篇）

（有关公式、基本理论等大量内容摘自《动手学深度学习》(TF2.0版)）多层感知机是什么？个人的理解就是：多层的神经网络+非线形的。
任菜菜学编程·2020-06-22 04:59

动手学深度学习(tensorflow)---学习笔记整理（六、传播相关问题+实战篇）

有关公式、基本理论等大量内容摘自《动手学深度学习》(TF2.0版)）正向传播通过刚刚的学习，我们会发现数据从输入层到输出层之间，会对各层的矩阵做矩阵乘法，然后加上偏置项，然后可能还需要加上激活函数，可能还需要
任菜菜学编程·2020-06-22 04:59

动手学深度学习(tensorflow)---学习笔记整理（五、过拟合和欠拟合相关问题篇）

有关公式、基本理论等大量内容摘自《动手学深度学习》(TF2.0版)）什么是过拟合和欠拟合？
任菜菜学编程·2020-06-22 04:59

动手学深度学习PyTorch版 | （1）线性回归、softmax与分类、多层感知机

文章目录一、线性回归-线性回归的基本要素-线性回归的从零实现---生成数据集---读取数据集---初始化模型参数---定义模型---定义损失函数---定义优化函数---训练模型-线性回归使用pyTorch的简洁实现---生成数据集---读取数据集---定义模型---初始化模型参数---定义损失函数---定义优化算法---训练-小结二、Softmax与分类softmax回归的基本概念三、多层感知机隐
祈求早日上岸·2020-06-22 01:29

动手学深度学习之 Pytorch 项目 | 附代码和电子书下载

这是什么书今天介绍一本书，动手学深度学习，原书作者：阿斯顿・张、李沐、扎卡里C.立顿、亚历山大J.斯莫拉。这本书原始的版本的代码是基于MXNet框架的。
机器视觉CV·2020-06-21 23:02

伯禹公益AI《动手学深度学习PyTorch版》Task 03 学习笔记

伯禹公益AI《动手学深度学习PyTorch版》Task03学习笔记Task03：过拟合、欠拟合及其解决方案；梯度消失、梯度爆炸；循环神经网络进阶微信昵称：WarmIce过拟合、欠拟合及其解决方案这一节首先介绍了过拟合
Champagne_Jin·2020-06-21 22:13

动手学深度学习Pytorch版本学习笔记 Task3

1.过拟合、欠拟合及其解决方案过拟合：模型无法得到较低的训练误差，我们将这一现象称作欠拟合（underfitting）；欠拟合：模型的训练误差远小于它在测试数据集上的误差，我们称该现象为过拟合（overfitting）。在实践中，我们要尽可能同时应对欠拟合和过拟合。解决过拟合的方法：权重衰减（L2范数正则化）和丢弃法2.梯度消失和梯度爆炸a.梯度消失和梯度爆炸假设一个层数为LL的多层感知机的第ll
Guozheng_Xu·2020-06-21 21:48

动手学深度学习PyTorch版课程笔记

作者：DennisShawTask03：过拟合、欠拟合及其解决方案训练误差（trainingerror）：模型在训练数据集上表现出的误差泛化误差（generalizationerror）：模型在任意一个测试数据样本上表现出的误差的期望计算误差使用模型中的损失函数来计算，例如之前的线性回归的平方损失函数和softmax回归的交叉熵损失函数机器学习模型应关注降低泛化误差模型的选择：在选择模型中，不应只
Dennis_Shaw·2020-06-21 19:41

卷积操作、填充和步幅以及池化

框架使用的是pytorch，开发工具是pycharm参考动手学深度学习Dive-into-DL-Pytorch参考链接https://github.com/ShusenTang/Dive-into-DL-PyTorchhttps
顺毛黑起·2020-06-21 16:47

动手学深度学习 Task3 笔记

过拟合、欠拟合及其解决方案；梯度消失、梯度爆炸；循环神经网络进阶2.15-2.19一、过拟合、欠拟合及其解决方案1、过拟合问题模型的训练误差远小于它在测试数据集上的误差，我们称该现象为过拟合（overfitting）。产生过拟合的可能原因模型复杂度过高训练数据过少，特别是比模型参数数量（按元素计）更少解决过拟合的方案降低模型复杂度增加训练数据在计算资源允许的范围之内，我们通常希望训练数据集大一些2
O-oaz·2020-06-21 16:54

线性回归tensorflow2.1.0简洁实现

线性回归的简洁实现xiaoyao动手学深度学习tensorflow2.1.0随着深度学习框架的发展，开发深度学习应用变得越来越便利。实践中，我们通常可以用比上一节更简洁的代码来实现同样的模型。
AIHUBEI·2020-06-21 16:22

动手学深度学习（Dive into Deep Learning，D2L）

动手学深度学习（DiveintoDeepLearning，D2L）本书网址：zh.d2l.ai|如何安装和使用书中源代码理解深度学习的最佳方法是学以致用。
放羊Wa·2020-06-21 13:23

[STAT-157] ModelSelect, dropout, bp

课程Youtube：DeepLearningUCBerkeleySTAT-157课本：动手学深度学习代码：d2l-ai3.11.模型选择、欠拟合和过拟合在前几节基于Fashion-MNIST数据集的实验中
gdtop818·2020-06-21 12:39

动手学深度学习(tensorflow)---学习笔记整理（三、softmax回归篇）

（有关公式、基本理论等大量内容摘自《动手学深度学习》(TF2.0版)）什么是softmax回归？前面学的线性回归最后结果为预测的连续值，而softmax回归更适合预测离散值。这句话可能不太理解。
任菜菜学编程·2020-06-20 23:40

《动手学深度学习》mxnet版/一二章学习笔记

第一章环境配置获取代码环境Ubuntu18.04+Anaconda4.4.10Windows10+Anaconda4.4.10运行工具win10:jupyternotebookubuntu:xshell代码地址https://zh.d2l.ai/d2l-zh-1.0.zip第二章学习如何使用NDArray对数据进行处理创建NDArrayNDArray运算索引NDArray和NumPy相互变换创建N
wulionce·2020-06-16 13:00

学习Pytorch遇到的一些问题（一）

基本介绍这周开始学习深度学习的部分知识，参考的书是《动手学深度学习》（PyTorch版），在操作过程中遇到一些小问题，记录一下问题和解决办法。
盛夏的猫宁·2020-05-31 17:00

图像分类

李沐《动手学深度学习》第三章fromtypingimportIterableimporttorchimporttorchvisiondefload_data_fashion_mnist(batch_size
潘旭·2020-04-18 08:32

动手学深度学习pytorch学习笔记—基于锚框的目标检测基础

目标检测基础（学渣版）代码没几行，注释写成翔参考文献：1）动手学DLPyTorch版本2）MXNet版本(原版)目标检测算法通常会在输入图像中采样大量的区域，然后判断这些区域中是否包含我们感兴趣的目标，并调整区域边缘从而更准确地预测目标的真实边界框（ground-truthboundingbox）。不同的模型使用的区域采样方法可能不同。这里我们介绍其中的一种方法：它以每个像素为中心生成多个大小和宽
卡塞尔学院临时副主任·2020-04-05 12:40

和鲸携手公益AI项目《动手学深度学习》，助力学习实训一体化

在2月11日，和鲸科技与伯禹教育、Datawhale以及AWS等多家人工智能企业展开合作，带来线上公益AI课程“14天陪你挑战《动手学深度学习》”，和鲸全程免费提供了基于K-Lab的在线实践平台和教学管理系统
和鲸·2020-04-03 16:50

自己动手学深度学习（P4）线性回归问题

参考网站：http://zh.gluon.ai/从0开始的线性回归虽然强大的深度学习框架可以减少很多重复性工作，但如果你过于依赖它提供的便利抽象，那么你可能不会很容易的理解到底深度学习是如何工作的。所以我们的第一个教程是如何只利用ndarray和autograd来实现一个线性回归的训练。线性回归给定一个数据点集合X和对应的目标值y，线性模型的目标是找一根线，其由向量w和位移b组成，来最好的近似每个
山天大畜·2020-03-28 08:28

自己动手学深度学习（P3）NDArray处理数据与autograd求导

参考网站：http://zh.gluon.ai/使用NDArray来处理数据对于机器学习来说，处理数据往往是万事之开头。它包含两个部分：数据读取和当数据已经在内存里时如何处理。本章将关注后者。我们首先介绍NDArray，这是MXNet储存和变化数据的主要工具。如果你之前用过NumPy，你会发现NDArray和NumPy的多维数组非常类似。当然，NDArray提供更多的功能，首先是CPU和GPU的异
山天大畜·2020-03-26 17:21

LLIS寒假学习(5)：动手学深度学习(pytorch版)：softmax回归从零开始实现逐步解读

一.具体问题图像分类数据集（Fashion-MNIST）详细请转原书：图像分类数据集二.从零开始实现首先导入本节实现所需的包或模块。importtorchimporttorchvisionimportnumpyasnpimportsyssys.path.append("..")#为了导入上层目录的d2lzh_pytorch，我直接把这个包放到了代码文件所在的文件夹内，就可以省去这步。importd
伯纳乌的小草·2020-03-18 22:51

重磅|继吴恩达后，亚马逊AI主任科学家李沐上线“动手学深度学习”中文课程，全部免费！

讲真，这么多好课，都想学，怎么学得过来呢？好焦虑...作者|周翔编辑|鸽子上周二（8月29日），网易云课堂与吴恩达的Deeplearning.ai宣布达成合作，后者的最新深度学习课程“DeepLearningSpecialization”中文字幕版上线网易微课程，并永久免费，这对国内的开发者社区来说，绝对是一个重磅好消息。AI科技大本营在全网进行首发后，留言区的评论一致夸赞“网易云课堂真乃业界良心
AI科技大本营·2020-03-13 22:42

动手学深度学习PyTorch版--大作业--Fashion-mnist分类任务

代码有点长，故放github上了文件预处理–数据准备–训练/测试–打印csv表需要的同学请自取【我的github】Fashion-mnist经典的MNIST数据集包含了大量的手写数字。十几年来，来自机器学习、机器视觉、人工智能、深度学习领域的研究员们把这个数据集作为衡量算法的基准之一。你会在很多的会议，期刊的论文中发现这个数据集的身影。实际上，MNIST数据集已经成为算法作者的必测的数据集之一。有
龙共日尧·2020-03-01 21:22

《动手学深度学习》分别使用残差和VGG训练fashion-mnist分类模型

图片数据集：fashion-mnist下载地址：https://pan.baidu.com/s/1AepwYqg_wQhy9y2S4vkL5Q密码:aqq3预览：使用残差网络训练模型导入包importosimportsysimporttimeimportmathimporttorchfromtorchimportnn,optimimporttorch.nn.functionalasFimportt
Nick_Spider·2020-03-01 20:01

文本分类-《动手学深度学习pytorch》

它把一段不定长的文本序列变换为文本的类别。情感分析：使用文本情感分类来分析文本作者的情绪。有广泛的应用。应用预训练的词向量和含多个隐藏层的双向循环神经网络与卷积神经网络，来判断一段不定长的文本序列中包含的是正面还是负面的情绪。后续内容将从以下几个方面展开：文本情感分类数据集使用循环神经网络进行情感分类使用卷积神经网络进行情感分类文本情感分类数据我们使用斯坦福的IMDb数据集（Stanford’sL
serenysdfg·2020-02-26 01:37

ElitesAI·动手学深度学习PyTorch版学习笔记-优化算法进阶；word2vec；词嵌入进阶

宅家中看到Datawhale的学习号召，在大牛云集的群上找到了一个很佛系的小组，战战兢兢地开始了小白的深度学习之旅。感谢Datawhale、伯禹教育、和鲸科技，感谢课程制作者、组织者、各位助教以及其他志愿者！2词嵌入基础2.1概念之前的循环神经网络课程介绍了one-hot向量表示单词。one-hot构造容易，但无法使用常用的方式（如余弦相似度）准确表达不同词之间的相似度。词嵌入是指把一个维数为所有
liuyi6111·2020-02-25 20:04

《动手学深度学习PyTorch版》打卡_Task8，文本分类，数据增强，模型微调

最近参加了伯禹平台和Datawhale等举办的《动手学深度学习PyTorch版》课程，对文本分类，数据增强，模型微调做下笔记。
kanatappi·2020-02-25 16:09

《动手学深度学习》task08 图像分类案例2；GAN；DCGAN 课后作业

图像分类案例21、对于本节课中整理数据集后得到的train、valid、train_valid和test数据集，下列说法中错误的是：A、找到一组合适的超参数后，用train_valid重新训练网络B、可以利用train_valid数据集训练模型，通过观察在test数据集上的损失与准确率来调整超参数C、可以利用train数据集训练模型，通过观察在valid数据集上的损失与准确率来调整超参数D、tra
AI_er·2020-02-24 22:25

[深度学习]动手学深度学习笔记-13

Task9——图像风格迁移13.1样式迁移如果你是一位摄影爱好者，也许接触过滤镜。它能改变照片的颜色样式，从而使风景照更加锐利或者令人像更加美白。但一个滤镜通常只能改变照片的某个方面。如果要照片达到理想中的样式，经常需要尝试大量不同的组合，其复杂程度不亚于模型调参。在本节中，我们将介绍如何使用卷积神经网络自动将某图像中的样式应用在另一图像之上，即样式迁移（styletransfer）。这里我们需要
田纳尔多·2020-02-24 11:46

【动手学深度学习】Task04

机器翻译数据预处理将数据集清洗、转化为神经网络的输入mini-batch。去除一些在标准字符集以外的特殊字符；把大写转换成小写；如果单词后紧跟标点符号，则在它们之间加一个空格。分词把数据集中字符形式的句子转换成单词组成的列表建立词典把单词组成的列表转换成单词id组成的列表。利用到d2l包里的Vocab类（之前写过）。Vocab类的__init__方法建立语料库中每个单词与它的id的双向映射。Voc
逍遥客小老虎·2020-02-23 00:00

《动手学深度学习》第八天2020-02-21

https://www.boyuai.com/elites/Task09：目标检测基础；图像风格迁移；图像分类案例1一、目标检测基础二、图像风格迁移样式迁移（styletransfer）小结样式迁移常用的损失函数由3部分组成：内容损失使合成图像与内容图像在内容特征上接近，样式损失令合成图像与样式图像在样式特征上接近，而总变差损失则有助于减少合成图像中的噪点。可以通过预训练的卷积神经网络来抽取图像的
_a30a·2020-02-21 13:28

动手学深度学习(第六章 循环神经网络)

文本预处理文本是一类序列数据，一篇文章可以看作是字符或单词的序列，本节将介绍文本数据的常见预处理步骤，预处理通常包括四个步骤：读入文本分词建立字典，将每个词映射到一个唯一的索引（index）将文本从词的序列转换为索引的序列，方便输入模型读入文本我们用一部英文小说，莎士比亚的罗密哦与朱丽叶作品作为示例，展示文本预处理的具体过程。importcollectionsimportredefread_tim
4wes0me·2020-02-20 20:25

《动手学深度学习》系列笔记 —— 卷积神经网络基础

1卷积神经网络基础1.1二维卷积层1.1.1二维互相关运算二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，输出也是一个二维数组，其中核数组通常称为卷积核或过滤器（filter）。卷积核的尺寸通常小于输入数组，卷积核在输入数组上滑动，在每个位置上，卷积核与该位置处的输入子数组按元素相乘并求和，得到输出数组中相应位置的元素。图1展示了一个互
kaifeng_guan·2020-02-19 17:00

《动手学深度学习》系列笔记 —— 梯度消失、梯度爆炸

1梯度消失和梯度爆炸深度模型有关数值稳定性的典型问题是消失（vanishing）和爆炸（explosion）。当神经网络的层数较多时，模型的数值稳定性容易变差。假设一个层数为\(L\)的多层感知机的第\(l\)层\(\boldsymbol{H}^{(l)}\)的权重参数为\(\boldsymbol{W}^{(l)}\)，输出层\(\boldsymbol{H}^{(L)}\)的权重参数为\(\bol
kaifeng_guan·2020-02-19 17:00

《动手学深度学习》系列笔记 —— 过拟合、欠拟合极其解决方案(权重衰减法、丢弃法)

1训练误差和泛化误差训练误差（trainingerror）：模型在训练数据集上表现出的误差。泛化误差（generalizationerror）：模型在任意一个测试数据样本上表现出的误差的期望，并常常通过测试数据集上的误差来近似。计算训练误差和泛化误差可以使用之前介绍过的损失函数，例如线性回归用到的平方损失函数和softmax回归用到的交叉熵损失函数。机器学习模型应关注降低泛化误差。2模型选择2.1
kaifeng_guan·2020-02-19 17:00

《动手学深度学习》笔记 Task03：过拟合、欠拟合及其解决方案；梯度消失、梯度爆炸；循环神经网络进阶

学习地址：https://www.boyuai.com/elites/course/cZu18YmweLv10OeV/jupyter/jfPMOih2z9274kEy4id1j一、过拟合、欠拟合及其解决方案过拟合、欠拟合的概念训练误差（trainingerror）：指模型在训练数据集上表现出的误差，泛化误差（generalizationerror）：指模型在任意一个测试数据样本上表现出的误差的期望
dujiahei·2020-02-18 21:07

动手学深度学习(二) Softmax与分类模型

softmax和分类模型内容包含：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。图像中的4像素分别记为。假设真实标签为
致Great·2020-02-18 16:40

动手学深度学习PyTorch版-Task01/Task02

1.线性回归（仅供学习班打卡使用）损失函数在模型训练中，我们需要衡量价格预测值与真实值之间的误差。通常我们会选取一个非负数作为误差，且数值越小表示误差越小。一个常用的选择是平方函数。它在评估索引为的样本误差的表达式为优化函数-随机梯度下降定义优化函数在这里优化函数使用的是小批量随机梯度下降：defsgd(params,lr,batch_size):forparaminparams:param.da
Naruto_WY·2020-02-18 09:05

动手学深度学习-梯度消失，梯度爆炸

梯度消失、梯度爆炸考虑环境因素协变量偏移这里我们假设，虽然输入的分布可能随时间而改变，但是标记函数，即条件分布P（y∣x）不会改变。虽然这个问题容易理解，但在实践中也容易忽视。想想区分猫和狗的一个例子。我们的训练数据使用的是猫和狗的真实的照片，但是在测试时，我们被要求对猫和狗的卡通图片进行分类。显然，这不太可能奏效。训练集由照片组成，而测试集只包含卡通。在一个看起来与测试集有着本质不同的数据集上进
cocowy·2020-02-18 06:53

动手学深度学习PyTorch版-Task03/Task04/Task05

过拟合、欠拟合及其解决方案模型复杂度为了解释模型复杂度，我们以多项式函数拟合为例。给定一个由标量数据特征和对应的标量标签组成的训练数据集，多项式函数拟合的目标是找一个阶多项式函数来近似。在上式中，是模型的权重参数，是偏差参数。与线性回归相同，多项式函数拟合也使用平方损失函数。特别地，一阶多项式函数拟合又叫线性函数拟合。给定训练数据集，模型复杂度和误差之间的关系：权重衰减方法权重衰减等价于范数正则化
Naruto_WY·2020-02-17 23:39

《动手学深度学习》第六天重点留坑内容的代码实践2020-02-17

https://www.boyuai.com/elites/重点留坑内容的代码实践：1、Kaggle房价预测2、modernCNN3、modernRNN4、注意力机制和Transformer1、Kaggle房价预测未经调优的数据的预处理、模型的设计和超参数的选择。1)查看数据查看前4个样本的前4个特征、后2个特征和标签（SalePrice）从这一步开始有疑问，pd.concat()数据预处理：对连
_a30a·2020-02-17 16:11
上一页 37 38 39 40 41 42 43 44 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他