- 博客(350)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 反向传播算法与梯度下降的交织乐章：深度学习中的双重奏
反向传播算法通过链式求导法则，计算损失函数关于每个节点输出的偏导数（即梯度），然后逐层向前传播这些梯度信息，以更新每层的权重和偏置项。然后，反向传播算法根据这个方向，逐层计算每个节点的残差值，并根据这些残差值和梯度下降法计算出的偏导数，来更新每层的权重和偏置项。其次，从计算角度来看，反向传播算法通过反向传播梯度信息，避免了重复计算的问题。反向传播算法和梯度下降之间的关系，可以用一种交织的方式来形容。由于梯度指向函数值增加最快的方向，因此梯度下降算法沿着梯度的反方向进行参数更新，以期望达到损失函数的最小值。
2024-04-30 21:33:03
215
原创 每天五分钟深度学习：导数是反向传播算法的数学基础
导数作为微积分学的核心概念之一，不仅在数学领域内占有举足轻重的地位，更在实际问题中发挥着不可替代的作用。我们要想学习反现象传播算法，我们前提是先要学习导数的概念。本节课程我们将看一下导数是什么？
2024-04-30 21:30:51
195
原创 每天五分钟玩转深度学习PyTorch：创建pytorch中的零维标量tensor
tensor张量是一个多维数组，零维就是一个点（就是本章的标量），一维就是向量，二维就是一般的矩阵，多维就相当于一个多维的数组，这和 numpy理解是一样的，不同的是Tensor不仅可以在CPU上跑，在GPU上也可以跑。标量（scalar），只具有数值大小，而没有方向，我们可以把标量看成是一个实数。本节课程我们学习如何使用pytorch来创建标量，在pytorch中只要dim=0的tensor，我们就可以认为它是标量。
2024-04-29 23:47:16
98
原创 数海启航：数学与人工智能的深度交织
在AI领域，无论是规则系统的构建，还是算法的严谨证明，都依赖于逻辑推理，这与数学中的命题逻辑、谓词逻辑等有着直接关联。随着科技的飞速发展，尤其是人工智能（AI）的兴起，数学与这一前沿领域的结合愈发紧密，成为推动AI进步的最强引擎。- **贝叶斯定理**：在不确定性推理中，贝叶斯定理是关键工具，它允许机器根据先验知识和新证据更新对事件的概率估计，广泛应用于垃圾邮件过滤、推荐系统等。- **跨学科融合**：数学与其他领域的交叉融合，如图论与社交网络分析、拓扑数据分析在生物信息学的应用，将为AI带来新的突破点。
2024-04-28 23:49:02
276
原创 每天五分钟机器学习：通过训练集和测试集分别求出训练和测试误差
现在我们已经知道了训练误差和测试误差，那么如何才能通过训练误差和测试误差判断该算法模型出现的问题呢？
2024-04-28 23:46:36
10
原创 梯度下降中学习率的调节与优化技巧
学习率调度器是一种更高级的学习率调节策略，它可以根据模型的训练情况动态调整学习率。作为优化算法的核心，梯度下降通过迭代的方式，不断调整模型的参数，以最小化损失函数，进而提升模型的预测性能。而在梯度下降的过程中，学习率的选择与调节至关重要，它直接影响到算法的收敛速度和模型的最终性能。在每一次迭代中，算法会根据当前位置的梯度（即损失函数对参数的导数）和学习率，计算出参数的更新量，并据此更新模型的参数。这种方法可以兼顾训练的不同阶段，初期使用较大的学习率快速接近最优解，后期使用较小的学习率进行精细调整。
2024-04-27 12:12:51
336
原创 每天五分钟深度学习：如何理解梯度下降算法可以逼近全局最小值？
上节课程中，我们已经知道了逻辑回归的代价函数J。要想最小化代价函数，我们需要使用梯度下降算法。
2024-04-27 12:10:07
203
原创 数学与机器学习：共舞于智能时代的双璧
数学，作为自然科学的皇后，以其严谨的逻辑和精确的推理，为机器学习提供了坚实的理论基础。因为机器学习算法的设计和优化，往往需要深入分析数据的特性，理解算法的原理，以及探索算法的优化空间。他们能够独立思考和解决问题，不断探索新的数学方法和理论，为机器学习的发展提供新的思路和方向。例如，他们可以利用线性代数进行矩阵运算和特征提取，利用概率统计进行模型参数的估计和假设检验，利用最优化理论进行算法的优化和参数的调整等。而在这场革命中，数学以其深邃的理论和精妙的工具，为机器学习提供了坚实的支撑。
2024-04-24 22:43:16
539
原创 深度学习框架pytorch：tensor.data和tensor.detach()的区别
现在来看大家还是推荐使用detach(）方法，然后当tensor的requires_grad=False情况下，tensor.data或者tensor.detach（）与tensor等价，而当tensor的requires_grad=True情况下，tensor.data为获取tensor中的数据。
2024-04-24 22:41:39
393
原创 机器学习模型效果不好及其解决办法
当训练出来的机器学习模型效果不佳时，可能涉及多个方面的原因。为了改善模型的效果，需要系统地检查和分析问题的根源，并采取相应的措施进行优化。
2024-04-23 23:38:41
805
原创 每天五分钟计算机视觉：基于YOLO算法精确分类定位图片中的对象
现在要训练一个输入为 100×100×3，输出为 3×3×8的卷积神经网络。当你用反向传播训练神经网络后，将任意输入映射到这类输出向量。这个算法的优点在于神经网络可以输出精确的边界框。
2024-04-23 23:35:41
964
2
原创 深入剖析机器学习领域的璀璨明珠——支持向量机算法
在机器学习的广袤星空中，支持向量机（Support Vector Machine，简称SVM）无疑是一颗璀璨的明珠。本文将详细剖析SVM算法的原理、特点、应用及其优缺点，带领读者走进SVM的奇妙世界。SVM算法是一种基于监督学习的分类算法，其核心思想是找到一个超平面，使得不同类别的样本点距离该超平面的距离最大化。（1）SVM算法对参数的选择较为敏感，不同的参数设置可能导致模型性能的差异。（1）SVM算法具有高效的计算性能和强大的泛化能力，能够处理各种复杂的分类任务。四、SVM算法的优缺点分析。
2024-04-22 23:13:30
621
原创 Tensor张量的属性dim、type、size、shape、numel的使用方法介绍
Tensor张量有一些常用的属性，我们可以通过这些基本的属性判断张量的类型，维度，以及元素个数，本节课程我们将对tensor属性进行简单的介绍。
2024-04-22 23:11:30
41
原创 机器学习中的过拟合问题及应对策略：深入剖析与实战指南
综上所述，解决机器学习中的过拟合问题需要从多个方面入手。通过简化模型复杂度、增加数据量、应用正则化技术、采用早停法、利用集成学习、进行特征选择与降维以及探索模型融合与迁移学习等方法，我们可以有效降低过拟合的风险并提高模型的泛化能力。在实际应用中，我们需要根据具体任务和数据特点选择合适的策略来解决过拟合问题，并不断优化模型以达到更好的性能。
2024-04-21 20:16:28
548
原创 每天五分钟机器学习：神经网络模型参数的选择
神经网络的模型参数选择是一个复杂而关键的过程。在实际应用中，我们需要根据任务需求、计算资源以及模型的性能来进行综合考虑和调优。通过选择合适的参数和调优方法，我们可以构建出性能优异、泛化能力强的神经网络模型，为深度学习和人工智能的应用提供有力支持。
2024-04-21 20:13:01
600
1
原创 PyTorch深度解析：Tensor——神经网络的核心构建块
具体来说，神经网络的输入数据被转换为Tensor，然后通过一系列的网络层进行前向传播，得到输出Tensor。在训练过程中，根据输出Tensor与真实标签之间的误差，通过反向传播算法计算梯度，并更新网络参数（这些参数也是以Tensor的形式存在的）。本文将深入探讨PyTorch中的Tensor，从其基本定义、特性、操作到实际应用，全面解析其在神经网络中的核心地位。：PyTorch中的Tensor支持多种数据类型，如float32、float64、int32等，以适应不同的计算需求。
2024-04-20 22:54:22
1246
1
原创 tensor是pytorch的核心，那torch.tensor和torch.Tensor区别是？
从本节课程开始我们将正式开启pytorch的学习了，在深度学习框架中有一个重要的概念叫做张量，它是pytorch的基本操作单位，要想创建tensor有很多的方式，但是有两个torch.tensor和torch.Tensor容易混淆，本节课程对二者进行总结。
2024-04-20 22:49:52
365
原创 PyTorch深度学习之旅：从入门到精通的十个关键步骤
PyTorch提供了丰富的神经网络层（如卷积层、池化层、全连接层等）和激活函数（如ReLU、Sigmoid等），我们可以根据需求选择合适的组件来构建自己的网络结构。深度学习是一个快速发展的领域，新的技术和方法层出不穷。作为PyTorch的学习者，我们需要保持持续学习的态度，关注最新的研究成果和动态。此外，PyTorch还提供了丰富的数学函数和统计方法，可以帮助我们进行复杂的数据处理和分析。在训练过程中，我们还需要注意选择合适的损失函数、优化器以及学习率等超参数，以确保模型能够取得良好的性能。
2024-04-17 22:41:39
338
原创 每天五分钟计算机视觉：基于卷积操作完成滑动窗口的图片分类？
当我们有这样的一个卷积神经网络的时候，这样的卷积神经网络就可以认为是14*14的滑动窗口，这样的滑动窗口可以滑动任意大小的图片，最终的输出一定是w*h*4，w，h由原始图片的大小决定，而4表示最后卷积神经网络使用了4个通道，也就是4分类问题。
2024-04-17 22:36:52
412
原创 数学：人工智能学习之路上的“拦路虎”及其背后的奥秘
而数学，作为一门研究数量、结构、变化以及空间等概念的学科，为人工智能提供了坚实的理论基础。在人工智能的浪潮席卷全球的今天，越来越多的人开始涉足这一领域，以期掌握其核心技术，为未来的科技发展贡献力量。然而，在学习的道路上，许多人却遇到了一个不小的挑战——数学。数学提供了数据处理和分析的方法，如统计学、概率论等，使我们能够从海量数据中提取有用的信息。深入理解数学原理：在学习数学时，不仅要掌握公式和定理的推导过程，更要深入理解其背后的原理和思想。算法设计：人工智能的核心是算法，而算法的设计离不开数学的支持。
2024-04-14 22:32:36
344
原创 手把手教你安装深度学习框架PyTorch：一键式安装指南
通过本文的介绍，你应该已经掌握了如何使用一句命令来安装PyTorch。PyTorch作为一个强大而灵活的深度学习框架，为你提供了丰富的功能和灵活的接口，让你能够轻松地进行深度学习模型的搭建和训练。
2024-04-14 22:18:36
628
原创 softmax回归：多分类问题的解码器
此外，当数据类别不平衡时，softmax回归的性能可能会受到影响。例如，在图像识别中，softmax回归可以用于将输入的图像映射到多个类别中的一个，如猫、狗、鸟等。在众多分类算法中，softmax回归以其独特的优势和广泛的应用场景，成为了处理多分类问题的有力工具。softmax回归的优点在于其能够处理多分类问题，并且输出的是每个类别的概率分布，这使得它在许多实际应用中都非常有用。但需要注意的是，softmax回归输出的是概率分布，因此在实际应用中，我们也可以根据概率分布进行更复杂的决策分析。
2024-04-12 23:14:30
377
原创 介绍一个方便的python包和环境管理软件Anaconda，如何快速安装
Anaconda是一个方便的python包管理和环境管理软件，一般用来配置不同的项目环境。它通过管理工具包、开发环境、Python版本，大大简化了工作流程。不仅可以方便地安装、更新、卸载工具包，而且安装时能自动安装相应的依赖包，同时还能使用不同的虚拟环境隔离不同要求的项目。如果我们有不同的项目A和项目B分别基于python2和python3，而第电脑只能安装一个环境，这个时候Anaconda就派上了用场，它可以创建多个互不干扰的环境，分别运行不同版本的软件包，以达到兼容的目的。
2024-04-12 23:12:28
128
原创 数学之光照亮AI之路：探究数学背景在人工智能学习中的优势
因此，数学背景强的人在学习AI时，能够更快速地掌握问题的本质，提出有效的解决方案。在这些环节中，数学提供了丰富的工具和方法，如统计学、线性代数、概率论等，帮助学习者有效地处理和分析数据，提取出有用的特征，为后续的模型训练提供有力支持。再者，数学为人工智能的创新提供了源源不断的动力。在未来的发展中，随着人工智能技术的不断进步和应用领域的不断拓展，数学与AI的结合将更加紧密。我们期待更多具备数学背景的人才能够加入到AI领域的学习中来，共同推动人工智能技术的繁荣发展，为人类社会的进步贡献智慧和力量。
2024-04-11 22:31:48
365
原创 每天五分钟深度学习：逻辑回归算法的损失函数和代价函数是什么？
前面已经学习了逻辑回归的假设函数，训练出模型的关键就是学习出参数w和b，要想学习出这两个参数，此时需要最小化逻辑回归的代价函数才可以训练出w和b。那么本节课我们将学习逻辑回归算法的代价函数是什么？
2024-04-11 22:30:31
289
原创 从TensorFlow到PyTorch：我为何选择后者开启深度学习之旅
它们各自拥有庞大的社区支持、丰富的文档资源和强大的功能，使得开发者们可以根据自己的需求选择合适的工具。然而，在我深入研究和实践之后，我最终选择了PyTorch作为我的深度学习框架。综上所述，我之所以选择PyTorch作为我的深度学习框架，主要是基于其易用性、灵活性、调试体验以及社区氛围等方面的优势。此外，PyTorch还提供了丰富的预训练模型和工具，使得开发者能够快速构建和训练自己的模型。我也期待在未来的学习和实践中，能够更深入地挖掘PyTorch的潜力，为深度学习领域的发展贡献自己的力量。
2024-04-10 22:58:39
497
原创 每天五分钟深度学习PyTorch：面对Tensorflow，为何我选择PyTorch
这篇专栏文章不是为了挑起tenserflow和pytorch中哪个更好，众所周知tensorflow诞生以来，已经成为最流行的深度学习框架，可以说github中大多数的深度学习代码实现是以tensorflow实现的，也就是说资源众多，社区强大，这是tensorflow的好处。
2024-04-10 22:56:27
224
原创 线性变换在人工智能领域的深度实践与应用探索
此外，线性变换的参数数量和计算复杂度随着数据维度的增加而急剧增加，可能导致过拟合和计算资源不足的问题。本文将详细探讨线性变换在人工智能领域中的实践应用，旨在揭示其背后的原理、方法以及所取得的成果。其基本原理在于通过线性组合的方式，将原始数据空间映射到一个新的特征空间，从而揭示数据的内在结构和规律。同时，随着数据规模的不断增大和模型复杂度的提升，线性变换的计算效率和优化问题也将成为研究的重点。在PCA中，线性变换矩阵由数据的协方差矩阵的特征向量构成，通过选择前几个主成分，可以实现对数据的有效压缩和降维。
2024-04-09 22:51:41
386
原创 每天五分钟深度学习：如何理解逻辑回归算法的假设函数？
我们将样本x输入到逻辑回归的假设函数中，假设函数hθ(x)的值为该样本为正类y=1的概率，1-hθ(x)就是y=0的概率，这个就是逻辑回归的模型的分类原理，其实就是在计算y=1的概率。所以当我们实现逻辑回归的时候，我们的任务就是学习参数w以及b使得预测y^成为对y=1这一种情况的概率的一个很好的估计。（就是找到满足数据的最好的w和b）。我们有些时候并不使用b，而是将b对应w0，这样我们特征就会多一个x0=1。而神经网络中我们不使用这种方式，我们就使用b，不会令b=w0。
2024-04-09 22:48:48
273
原创 学习人工智能：为何PyTorch深度学习框架不可或缺
综上所述，学习人工智能一定要学习深度学习框架PyTorch，是因为PyTorch以其灵活性、性能优势、开放创新和应用广泛性，为深度学习技术的发展和应用提供了强大的支持。随着深度学习技术的不断发展，PyTorch作为其中的佼佼者，正引领着未来的技术趋势。随着计算资源的不断丰富和算法的不断优化，PyTorch的性能将得到进一步提升，其在处理大规模数据和复杂模型方面的优势将更加凸显。但正是这种不断探索和挑战的过程，使得我们能够更好地掌握深度学习技术，为人工智能的发展贡献自己的力量。
2024-04-07 23:14:43
524
原创 循环神经网络：揭秘长期记忆的魔法之源
在人工智能和机器学习领域，循环神经网络（Recurrent Neural Networks，简称RNN）以其独特的架构和机制，在处理序列数据方面展现出了强大的能力。梯度消失问题通常发生在序列较长时，由于梯度在连续的时间步中逐渐减小，最终变得微不足道，导致RNN无法有效地更新权重。RNN是一种特殊的神经网络结构，它的核心思想是在处理序列数据时，利用循环连接的方式，将前一步的输出作为下一步的输入，从而实现对序列信息的记忆。在语音识别中，RNN能够捕捉到语音信号中的时序特征，从而实现准确的语音转文字功能。
2024-04-06 22:15:44
923
原创 每天五分钟计算机视觉：模型集成和数据扩充在基准测试中的应用
在基准测试中，模型集成和数据扩充是两个关键的技巧，它们对于提升测试的性能和准确性具有显著的影响。以下是从模型集成和数据扩充两个技巧在基准测试中的应用进行的总结。
2024-04-06 22:07:12
186
原创 数学与人工智能：共舞于数字时代的奥秘
数学，这一源远流长的学科，长久以来一直为人类社会的发展与进步提供了坚实的基础。与此同时，随着科技的迅猛发展，人工智能这一新兴领域正逐渐改变着我们的生活方式。这两者之间，似乎存在着一种难以言喻的紧密联系。本文将深入探讨数学与人工智能之间的关系，并试图揭示它们如何在数字时代中共同演绎着一段精彩的舞蹈。
2024-04-05 23:30:04
364
原创 每天五分钟深度学习：深度学习中数据样本和标签的符号化表示
在深度学习中，数据样本通常指的是用于训练和测试模型的一组数据点。这些数据点可以是图像、文本、音频、视频等多种形式，它们包含了模型需要学习的信息。标签则是与数据样本相关联的某种信息，用于指示数据样本的类别、属性或其他相关信息。在监督学习中，标签通常用于指导模型的训练过程，使模型能够学习到从输入数据到输出标签的映射关系。深度学习中数据样本和标签的符号化表示是模型训练和推理的基础。通过合理的表示方法，我们可以将现实世界中的数据转化为计算机能够理解和处理的形式。
2024-04-05 23:26:49
392
原创 每天五分钟深度学习：为什么现在搞人工智能都用深度学习？
综上所述，深度学习在人工智能领域的重要性不言而喻。其技术突破、应用广泛性以及对人工智能领域的深远影响都使得深度学习成为推动人工智能领域发展的关键力量。未来，随着技术的不断进步和应用场景的不断拓展，深度学习将在人工智能领域发挥更加重要的作用。
2024-04-02 23:52:02
160
原创 每天五分钟深度学习:为何逐渐走出了“寒冬”，迎来了发展的春天?
综上所述，深度学习之所以能够从“寒冬”走向“火热”，是多种因素共同作用的结果。算法和模型的突破、计算能力的提升、大数据的兴起、应用场景的拓展以及政策支持和资本推动都为深度学习的发展提供了有力的支撑。然而，面对未来的挑战和问题，深度学习领域的研究者和从业者需要不断探索和创新，以推动该领域的持续发展和进步。
2024-04-02 23:51:10
32
原创 每天五分钟深度学习：神经网络和深度学习有什么样的关系？
本文简单的看了一下神经网络，我们可以理解到随着神经网络的层数增多，会从原始数据中提取出更加深刻的信息，以此来完成最终的目的。至此我们就知道了什么是神经网络，希望能够通过本节课程能够了解到神经网络。神经网络非常擅长从x到y的精准映射函数。它非常的强大，只要你输入x（特征），我们就可以将映射成y（房价）深度学习通过构建多层次的神经网络结构，使得模型能够自动提取输入数据的低层次到高层次的特征表示。这种层次化的特征提取方式使得深度学习能够处理更加复杂和多样化的数据，并在各种任务中取得出色的性能。
2024-04-01 23:31:23
1009
原创 人工智能之深度学习笔记——每天五分钟快速掌握深度学习理论
深度学习和机器学习有什么区别呢？最主要的区别就是模型的不同，深度学习主要使用神经网络算法模型，而机器学习就不是了，我们前面学习过逻辑回归就是机器学习算法模型。所以我们学习深度学习最主要的就是学习神经网络。我们首先简单的介绍了一下深度学习这门课程要学习什么？然后从房价预测例子入手引出什么是神经网络？然后我们可以知道使用神经网络进行监督学习。
2024-04-01 23:30:04
438
原创 每天五分钟计算机视觉：如何基于滑动窗口技术完成目标的检测？
现在我们想要构建一个汽车检测算法，我们希望输入到算法中一张图片，算法就可以帮助我们检测出这张图片中是否有汽车。
2024-03-29 20:49:31
523
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人