深度学习入门

深度学习入门——mini_batch小批量数据提取

在全部数据中提取出小批量的数据，作为全部数据的近似。神经网络的学习也就是针对每个mini_batch数据进行学习#oding:utf-8importsys,ossys.path.append(os.pardir)importnumpyasnpfromdataset.mnistimportload_mnist(x_train,t_train),(x_test,t_test)=load_mnist(n
我是小杨我就这样·2022-11-29 08:58

深度学习入门——Mini-batch、Momentum与Adam算法

基于不同优化算法更新神经网络中的参数学习记录自：deeplearning.ai-andrewNG-master一、优化算法概述1.1常用优化算法在机器学习或深度学习中，一般采取梯度下降对参数进行优化更新，本文主要讨论Mini-Batch算法、Momentum算法、RMSprop以及Adam算法。1.2为什么要改进梯度下降对于一个数据量适中的数据集而言，可以直接利用梯度下降或者随机梯度下降(Stoc
yasNing·2022-11-29 08:51

深度学习_mini-batch实现&评价_详解

参考书：深度学习入门：基于Python的理论与实现mini-batch是在训练数据中随机选择小批量的数据，进行深度学习找到合适权重值。
AI 黎明·2022-11-29 08:48

深度学习入门(一)：LeNet-5教程与详解

1.什么是LeNetLeNet5诞生于1994年，是最早的卷积神经网络之一，并且推动了深度学习领域的发展。自从1988年开始，在多年的研究和许多次成功的迭代后，这项由YannLeCun完成的开拓性成果被命名为LeNet5。LeNet：主要用来进行手写字符的识别与分类确立了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虽然LeNet网络结构比较简单，但是刚好适合神经网络的入门
xiongxyowo·2022-11-29 07:50

python编程300集免费-python 300本电子书合集

链接:https://pan.baidu.com/s/1CNlB35ASnDNlUGNCZJbiAA提取码:fxigQ群：592857363更多所在数据科学速查表零起点Python机器学习快速入门《深度学习入门
weixin_37988176·2022-11-29 07:05

pytorch学习线性回归与非线性回归，以及理解nn.linear()和ReLU激活函数

参考书目：Pytorch深度学习入门，作者：曾芃壹文章目录线性回归线性模型与目标函数优化批量输入代码实践大规模数据实验神经网络实现线性回归非线性回归激活函数人工神经网络详解nn.linear()的原理浅谈
LiterMa·2022-11-29 06:21

深度学习入门 (二)：激活函数、神经网络的前向传播

目录激活函数(activationfunction)`Sigmoid`函数`tanh`函数`ReLU`函数(RectifiedLinearUnit)`GELU`函数(GaussianErrorLinerarUnits)Mish神经网络的前向传播通过矩阵点积运算打包神经网络的运算引入符号各层间信号传递的实现输出层的设计SoftmaxSoftmaxSoftmax函数输出层的神经元数量批处理参考文献激活
连理o·2022-11-29 06:20

深度学习入门（2）神经网络

感知机：设定权重的工作由人工来进行确定。神经网络：可以自动的从数据中学习到合适的权重参数。从感知机到神经网络0层：输入层1层：中间层（隐藏层）2层：输出层该网络由3层神经元构成，但只有2层神经元有权重，因此称其为“2层网络”。（有的也称3层）输入信号会被函数h(x)转换，转换后的值就是输出y激活函数h(x)函数会将输入信号的总和转换为输出信息，这种函数称之为激活函数。激活函数的作用在于决定如何来激
阿_旭·2022-11-29 06:48

《深度学习入门》误差反向传播中批版本Affine层关于偏置db的反向传播的个人理解

误差反向传播中批版本Affine层关于偏置db的反向传播的证明过程如下假定偏置Affine层关系式平方和损失函数（也可以换成交叉熵损失函数）1.只有一个数据N=0所以2.有多个数据N!=0所以由于要对N求和，即按列求和所以证明了如果时多个数据，则所以用Python表示为importnumpyasnpdb=np.sum(dy,axis=0)
CPyJa小生·2022-11-29 06:48

深度学习入门(1)感知机

感知机感知机基础知识感知机是神经网络（深度学习）的起源算法。感知机可以接收多个输入信息，输出一个信号。感知机的信号只有“流/不流”（1/0）两种取值。接收两个信号的感知机，如下图：x1与x2是输入信号；y是输出信号；w1与w2是权重。圆圈O代表”神经元”或者”节点”。输入信号被送往神经元时，会被分别乘以固定的权重（w1x1,w2x2）。神经元会计算传送过来的信号总和，只有当这个总和超过某个界限值时
阿_旭·2022-11-29 06:18

深度学习入门（4）【深度学习实战】无框架实现两层神经网络的搭建与训练过程

上一篇文章《深度学习入门（3）神经网络参数梯度的计算方式》主要介绍神经网络中的参数梯度是如何计算的。本文将直接使用之前公众号介绍过损失函数、激活函数以及梯度计算直接手动实现一个两层的神经网络训练过程。
阿_旭·2022-11-29 06:17

【自学】深度学习入门 基于python的理论与实现 LESSON7 ＜误差反向传播法1＞

文章目录前言一、简单层的实现1.乘法层的实现2.加法层的实现二、激活函数层的实现总结前言前面使用数值微分的方法进行梯度计算，该方法简单易实现，但是计算花费时间多。本章将学习高效计算权重参数梯度的方法——误差反向传播法。一、简单层的实现这里所说的层是神经网络功能的单元。比如负责sigmoid函数的Sigmoid、负责矩阵乘积的Affine等，都是以层为单位实现。1.乘法层的实现层的实现中有两个共通的
Rachel MuZy·2022-11-29 06:46

深度学习入门：误差反向传播法

一、神经网络的损失函数其实神经网络在干的事情就是学习，我们知道学习是需要“学习资料”以及“参考答案”的，所以呢神经网络的学习就是我们先给神经网络一些训练数据（学习资料）和标签（参考答案），然后让给神经网络预先设定一个权重和偏置，让神经网络带着这个假设的权重和偏执自己根据训练数据去预测结果（就是自己做出来的答案），然后对比预测结果和标签，计算出预测结果和标签之间的差距（损失函数），然后想办法优化权重
DADALalalala123·2022-11-29 06:14

深度学习入门（8）激活函数ReLU和 Sigmoid的计算图表示方式及代码实现

《深度学习入门》系列文章目录深度学习入门(1)感知机深度学习入门（2）神经网络深度学习入门（3）神经网络参数梯度的计算方式深度学习入门（4）【深度学习实战】无框架实现两层神经网络的搭建与训练过程深度学习入门
阿_旭·2022-11-29 06:44

深度学习入门（7）误差反向传播计算方式及简单计算层的实现

在上一节中《深度学习入门（6）误差反向传播基础---计算图与链式法则》，我们介绍了误差反向传播的计算图与导数计算的链式法则，这一节主要介绍计算图中各计算节点的误差反向传播计算方式，以及加法与乘法层的实现
阿_旭·2022-11-29 06:13

深度学习入门笔记之ShuffleNet

目录ShuffleNetV1ShuffleNetV1的亮点ShuffleNetV2对于网络复杂度的考虑高效网络设计实用指南输入输出具有相同channel的时候，内存消耗是最小的（相同维度的通道数将最小化MAC）过多的分组卷积操作会增大MAC，从而使模型速度变慢模型中的分支数量越少，模型速度越快不要忽略元素级操作V1有何不好？ShuffleNetV2结构ShuffleNetV2网络结构Shuffle
ysukitty·2022-11-28 23:59

深度学习入门(鱼书)学习笔记

第1章Python入门第2章感知机第3章神经网络3.2.激活函数sigmoid函数：h(x)=11+exp⁡(−x)h(x)=\frac{1}{1+\exp(-x)}h(x)=1+exp(−x)1ReLU（RectifiedLinearUnit）函数：h(x)={x,(x>0)0,(x≤0)h(x)=\begin{cases}x,&(x>0)\\0,&(x\le0)\end{cases}h(x)=
ychinata·2022-11-28 23:58

深度学习入门

一、什么是机器学习人工智能是使一部机器像人一样进行感知、认知、决策、执行的人工程序或系统。其实现的一种方法是机器学习。而深度学习是机器学习的一种，也是近年来较为热门的方法。人工智能主要有如下三个层面计算智能能存能算感知智能能听会说，能看会认认知智能能理解，会思考目前研究主要在第二个层面二、适用范围问题尺度和规则复杂度均极大时适用机器学习，这是大体原则，还有一些其它限制举例如下有大量数据机器学习需要
ps~·2022-11-28 23:58

机器学习之深度学习入门

个人公众号yk坤帝获取更多学习资料，学习建议本文用浅显易懂的语言精准概括了机器学习的相关知识，内容全面，总结到位，剖析了机器学习的what，who，when,where,how，以及why等相关问题。从机器学习的概念，到机器学习的发展史，再到机器学习的各类算法，最后到机器学习的最新应用，十分详尽。适合小白快速了解机器学习。你是否使用像Siri或Alexa这样的个人助理客户端？你是否依赖垃圾邮件过滤
yk 坤帝·2022-11-28 23:51

OpenCV-Python学习资源

中文教程简书博主博客python读取文件夹下所有图片OpenCV-Python的机器学习库：官方文档[OpenCV-Python]OpenCV中机器学习部分VIIIcv2.ml.ANN_MLP以下为学习帖子给深度学习入门者的
一只干巴巴的海绵·2022-11-28 22:38

深度学习入门之输出层的设计

深度学习入门之输出层的设计参考书籍：深度学习入门——基于pyhthon的理论与实现文章目录深度学习入门之输出层的设计前言一、分类与回归二、恒等函数和softmax函数1.恒等函数2.softmax函数三
ℳ๓执手ꦿ听风吟້໌ᮨ·2022-11-28 22:06

深度学习入门之AdaGrad

在神经网络的学习中，学习率（数学式中记为η）的值很重要。学习率过小，会导致学习花费过多时间；反过来，学习率过大，则会导致学习发散而不能正确进行。在关于学习率的有效技巧中，有一种被称为学习率衰减（learningratedecay）的方法，即随着学习的进行，使学习率逐渐减小。即，一开始“多”学，然后逐渐“少”学。（学习的意思是朝着损失函数最低处进行优化）AdaGrad会为参数的每个元素适当地调整学习
赵孝正·2022-11-28 14:44

深度学习入门（五十五）循环神经网络——语言模型和数据集

深度学习入门（五十五）循环神经网络——语言模型和数据集前言循环神经网络——语言模型和数据集课件语言模型使用计数来建模N元语法总结教材1学习语言模型2马尔可夫模型与n元语法3自然语言统计4读取长序列数据4.1
澪mio·2022-11-28 13:25

「PyTorch深度学习入门」4. 使用张量表示真实世界的数据（中）

来源|DeepLearningwithPyTorch作者|Stevens,etal.译者|杜小瑞校对|gongyouliu编辑|auroral-L全文共7849字，预计阅读时间45分钟。第四章使用张量表示真实世界的数据（中）1.使用图像1.1添加颜色通道1.2加载一个图片文件1.3改变布局1.4数据标准化2.三维图像：体积数据2.1加载专用格式3.表示表格数据3.1使用真实数据集3.2加载葡萄酒数
数据与智能·2022-11-28 13:24

深度学习入门（五十六）循环神经网络——循环神经网络RNN

深度学习入门（五十六）循环神经网络——循环神经网络RNN前言循环神经网络——循环神经网络RNN课件潜变量自回归模型循环神经网络使用循环神经网络的语言模型困惑度（perplexity）梯度裁剪更多的应用RNNs
澪mio·2022-11-28 13:45

【跟学记录day1】PyTorch深度学习入门

原视频来源：b站PyTorch深度学习快速入门教程-by我是土堆P1部分按照视频教程安装了python3.6的anaconda3-5.2.0我的电脑GPU型号为1050Ti，cmd中输入nvidia-smi查出来应该安装11.7版本的cuda，踩坑：想着和视频环境一致方便学习，于是跟着视频（下图）打了同样的代码，安装了9.2版本的cuda。最后安装pytorch成功了，验证的时候torch.cud
oops_ou·2022-11-28 13:44

机器学习、深度学习入门级解释

机器学习：概念：让机器具有学习的能力。想象一下2岁的宝宝是怎么学习的。你给他看一只狗狗的图片（假设是白色中等体型），告诉宝宝，这是一只小狗狗哦。下次宝宝再见到类似的狗狗（黄色中等体型，或者小型），他会脱口而出，狗狗。这表明他学到了。但是如果今天遇到一只黑色的很大的狗狗呢。宝宝不知道了，又需要你告诉他这是大黑狗狗，也是狗狗哦。宝宝学到了原来这也是狗狗。所以只要你告诉五六种狗狗的样子，宝宝基本能识别出
星陈·2022-11-28 01:24

《深度学习入门》第7章实战：手写数字识别——卷积神经网络

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、一点介绍1.整体结构2.卷积层卷积运算填充步幅3.池化层二、卷积层和池化层的实现三、全部代码及运行结果前言最近阅读了《深度学习入门
rellvera·2022-11-27 17:01

《深度学习入门》第6章：与学习相关的技巧

文章目录前言一、参数的更新二、权重的初始值三、BatchNormalization四、正则化五、超参数的验证前言笔者最近阅读了《深度学习入门——基于Python的理论与实现》这本书的第六章，这一章主要讲述了深度学习相关的技巧
rellvera·2022-11-27 17:31

《深度学习入门》第5章实战：手写数字识别——误差反向传播

文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、一点介绍（一）计算图（二）反向传播（三）反向传播的代码表示二、利用误差反向传播进行手写数字识别全部代码运行结果前言最近阅读了《深度学习入门
rellvera·2022-11-27 17:52

深度学习入门（五十）计算机视觉——转置卷积

深度学习入门（五十）计算机视觉——转置卷积前言计算机视觉——转置卷积课件（初见转置卷积）1转置卷积2为什么称之为“转置”课件（再谈转置卷积）1转置卷积2重新排列输入和核3形状换算4同反卷积的关系5总结教材
澪mio·2022-11-27 11:32

机器学习/深度学习入门资料汇总

机器学习/深度学习入门资料汇总经常被同学和朋友询问机器学习或深度学习入门，有哪些不错的参考资料。老实讲，这个问题在网上随便一搜就是一大把的答案。
hurt--·2022-11-27 08:02

神经网络与深度学习-2- 机器学习简单示例-PyTorch

LinearRegression）来具体了解机器学习的一般过程，以及不同的学习准则经验风险最小化，结构风险最小，最大似然估计（最大后验估计）参考文档：【技术干货】PyTorch深度学习合集【全20集】深度学习入门
明朝百晓生·2022-11-27 07:53

深度学习入门（五十四）循环神经网络——文本预处理

深度学习入门（五十四）循环神经网络——文本预处理前言循环神经网络——文本预处理教材1读取数据集2词元化3词表4整合所有功能5小结前言核心内容来自博客链接1博客连接2希望大家多多支持作者本文记录用，防止遗忘循环神经网络
澪mio·2022-11-27 07:14

深度学习入门（五十一）计算机视觉——全卷积网络

深度学习入门（五十一）计算机视觉——全卷积网络前言计算机视觉——全卷积网络课件FCN教材1构造模型2初始化转置卷积层3读取数据集4训练5预测6小结前言核心内容来自博客链接1博客连接2希望大家多多支持作者本文记录用
澪mio·2022-11-27 06:44

深度学习入门（五十三）循环神经网络——序列模型

深度学习入门（五十三）循环神经网络——序列模型前言循环神经网络——序列模型课件序列数据序列数据：更多例子统计工具序列模型方案A-马尔科夫假设方案B-潜变量模型总结教材1统计工具1.1自回归模型1.2马尔可夫模型
澪mio·2022-11-27 06:44

致初学者的深度学习入门系列（二）—— 卷积神经网络CNN基础

卷积神经网络CNN文章目录卷积神经网络CNN卷积PaddingPoolingFlatten网络连接数以及参数数量的计算残差网络（ResNet）1x1卷积迁移学习数据扩充后续卷积卷积运算的过程就是设定一个特定大小和内容的卷积核后，将卷积核在图像上遍历滑动，每次滑动后得到对应卷积核中心位置上的数值等于卷积核上的权重于卷积核对应位置的图像像素值的乘积和。作用：提取特征提取垂直边缘特征的示例：输入层的维度
Rosen.·2022-11-27 06:11

深度学习入门

文章目录神经网络感知机激活函数卷积神经网络神经网络感知机单层感知机可以可以表示与门、或门、与非门局限性：无法表示异或门，单层感知机无法分离非线性空间通过组合与门、与非门、或门实现异或门2层感知机(严格地说是激活函数使用了非线性的sigmoid函数的感知机)可以表示任意函数激活函数importnumpyasnpimportmatplotlib.pylabaspltdefsigmoid(x):retu
叒狗·2022-11-27 06:39

深度学习入门（五十二）计算机视觉——风格迁移

深度学习入门（五十二）计算机视觉——风格迁移前言计算机视觉——风格迁移课件样式迁移易于CNN的样式迁移教材1方法2阅读内容和风格图像3预处理和后处理4抽取图像特征5定义损失函数5.1内容损失5.2风格损失
澪mio·2022-11-27 06:08

深度学习入门(基于python实现)--第五章 误差反向传播 01

#_*_coding:UTF-8_*_#文件名：Error_BackPropagation_01.py#开发工具：PyCharm"""下面介绍一种高效的计算权重方法，误差反向传播计算图用图的形式来表示数据的求解过程比如表示买两个苹果，并且要交10%的税一个苹果100元100200220一个苹果-------→×2-------→交税×1.1--------→总支出220上面这个计算图从左到右是正向
zyhsna·2022-11-27 04:01

《深度学习入门》（俗称：鱼书）读书笔记-第五章（误差反向传播算法）

《深度学习入门》（俗称：鱼书）读书笔记Day3误差反向传播算法修正算法的时候，使用的是数值微分。优势是简单，缺点是计算比较费时间。1.计算图计算图是将计算过程用图形表示出来。
呆瓜种呆瓜·2022-11-27 04:00

《深度学习入门》第五章：误差反向传播法

好久没更了，不过这回是学完了整本书，一下子更新4章完事儿。欢迎大家给出意见和建议呀！！！1.误差反向传播法：是能够高效计算权重参数的梯度方法，可以通过反向传播高效计算导数。正确理解该方法：一是基于数学式：严密简洁；二是基于计算图（该章重点）：直观。2.计算图：大致如下图所示，虚灰线代表正向传播，黑实线代表反向传播：将局部导数从右向左传递，原理是基于链式法则的（可以通过黑实线下面数字高效计算导数）。
鬼才的凝视·2022-11-27 04:27

深度学习入门之4--误差反向传播法

目录1计算图1.1计算图求解1.2局部计算2链式法则2.1定义2.2计算图的反向传播2.3链式法则与计算图3反向传播3.1加法节点反向传播3.2乘法节点反向传播4简单层的实现4.1乘法层的实现4.2加法层的实现5激活函数模块化5.1Relu层5.2Sigmoid层5.3Affine层5.3.1Affine层5.3.2批版本的Affine层5.4Softmax层6误差反向传播案例6.1common目
༺ཌ༈Dream&Light༈ད༻·2022-11-27 04:17

深度学习入门（6）误差反向传播基础---计算图与链式法则

在我的第三篇博文《深度学习入门（3）神经网络参数梯度的计算方式》中详细介绍了通过微分方式计算神经网络权重参数的梯度。但是数值微分的方式计算梯度效率较低。
阿_旭·2022-11-27 04:10

第一个深度学习入门项目——使用AlexNet网络实现花分类

本文共5部分，内容结构如下：1.数据预处理：划分数据集2.加载自定义数据集3.建立Alexnet模型4.模型训练5.模型的评估和使用训练好的模型进行图片分类6.项目注意事项与测试结果展示本文代码简单易懂，有较具体的注释，只需具备基础的python知识，便可以顺序通读。本文代码可从下文顺序复制，运行本文代码前，先安装torch,matplotlib,torchvision,tqdm等工具包，可使用清
White白小纯·2022-11-26 21:42

深度学习入门之一：Windows10(64)+Anaconda3(Python3.5)+TensorFlow-Gpu1.4+CUDA8.0+cuDNN6安装详解及Pycharm配置指南

为了装好环境恶补了许多知识，其实很多都是版本不兼容导致的问题。首先，请选择你要用的TensorFlow的版本CPU？还是GPU版？如果是CPU的那么就可以忽略第四步。同时，在安装的过程中发现：，因此为了配置环境，我们选用Python3.5，当然~1.安装Anaconda3Anaconda3很方便的集成了Python和各种你会用到的库，因此安装它就好啦但最新版本的Anaconda3集成了最新的Pyt
Z_kismet·2022-11-26 20:00

Matlab深度学习入门实例:基于AlexNet的红绿灯识别（附完整代码）

AlexNet于2012年出现在ImageNet的图像分类比赛中，并取得了当年冠军，从此卷积神经网络开始受到人们的强烈关注。AlexNet是深度卷积神经网络研究热潮的开端，也是研究热点从传统视觉方法过度到卷积神经网络网络的标志。AlexNet模型共包含有8层，包含5个卷积层和3个全连接层，AlexNet相比于LeNet的特点在于，对于每一个卷积层，均包含RELU和局部响应归一化处理。须设置数据集文
白太岁·2022-11-26 09:17

深度学习入门——MNIST手写数字识别之数据集处理,下载和读入

1.MNIST数据集：0~9的数字组成（故对于的神经网络输出层应该有10个神经元）训练图像：6万张测试图像：1万张28*28像素的灰度图像（1通道），各像素值0~255之间机器学习的问题也就是**学习（训练）和推理（预测）**的处理对于神经网络，首先使用训练数据进行权重的参数学习，再利用学习到的参数，对输入数据进行分类2.MNIST数据下载和读入load_mnist.py#coding:utf-8
我是小杨我就这样·2022-11-26 05:38

深度学习入门—反向传播

Datawhale202211李宏毅《机器学习》（深度学习方向）P13-P14深度学习入门介绍+反向传播手推文章目录Datawhale202211李宏毅《机器学习》（深度学习方向）P13-P14前言一、
Beyond_April·2022-11-25 20:54

python神经网络编程 代码,python神经网络算法代码

《深度学习入门》（[日］斋藤康毅）电子书网盘下载免费在线阅读资源链接：链接:?
阳阳2013哈哈·2022-11-25 20:17
上一页 8 9 10 11 12 13 14 15 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他