春和景明q-优快云博客

原创 3.5课堂总结

2. 定义神经网络模型：通过继承nn.Module类来定义模型。在这个类中，你需要定义两个主要方法：__init__（用于初始化网络的层和参数）和forward（定义数据通过网络的前向传播路径）。这只是一个简单的例子，实际应用中可能需要根据具体问题调整网络结构、损失函数、优化器以及数据预处理等步骤。5. 训练模型：通常在一个训练循环中进行前向传播、计算损失、反向传播和更新权重。6. 评估模型：在测试集上评估模型性能，通常不包括反向传播步骤。# 将数据移动到GPU（如果可用）# 保存模型 # 加载模型。

2025-03-04 19:13:39 185

原创 2.28课堂总结

可以用来表示模型的精度，即模型识别正确的个数/样本的总个数。一般情况下，模型的精度越高，说明模型的效果越好。· 深度学习最重要的属性，计算最长路径的卷积层+全连接层数量。准确率(Precision)：又称为查准率，表示在模型识别为正类的样本中，真正为正类的样本所占的比例。召回率(Recall)：又称为查全率，表示模型正确识别出为正类的样本的数量占总的正类样本数量的比值。FP（False postive,假正例）——将反类预测为正类数。· 将不同的图像，划分到不同的类别标签，实现最小的分类误差。

2025-02-28 11:37:20 175

原创 2.25课堂总结

Torch是一个用于深度学习的=数学计算库，而 Pytorch则是一个基于Torch的Python机器学习库，可看作其提供了Torch应用于Python的接口。而搭建Pytorch虚拟环境，通俗地讲，就是搭建一个包含了Pytorch的相关包的Python解释器的环境，即是专门用于处理基于Python的深度学习的问题的环境。中文名为统一计算设备架构，，是显卡厂商NVDIV推出的运算平台，可以帮助GPU处理图形相关的计算问题。.Pytorch虚拟环境简介。

2025-02-25 19:44:48 84

原创【无标题】2.24课堂总结

nn.Xxx继承于nn.Module，nn.Xxx 需要先实例化并传入参数，然后以函数调用的方式调用实例化的对象并传入输入数据。nn.functional中的函数，写法一般为nn.funtional.xxx，如nn.funtional.linear、nn.funtional.conv2d、nn.funtional.cross_entropy等。nn.Module，写法一般为nn.Xxx，如nn.Linear、nn.Conv2d、nn.CrossEntropyLoss等。②适用于激活函数、池化层。

2025-02-24 16:37:58 276

原创 2.21课堂总结

AlexNet由⼋层组成：五个卷积层、两个全连接隐藏层和一个全连接输出层。• AlexNet的架构与LeNet相似，但使⽤了更多的卷积层和更多的参数来拟合大规模的ImageNet数据集。• 今天，AlexNet已经被更有效的架构所超越，但它是从浅层⽹络到深层网络的关键一步。将激活函数从 sigmoid 更改为 ReLu（减缓梯度消失）• 新加入了Dropout、ReLU、最大池化层和数据增强。在两个隐含层之后应用丢弃法（更好的稳定性 / 正则化）梯度爆炸：参数更新过大，破坏了模型的稳定收敛。

2025-02-21 09:21:12 209

原创 2.20课堂总结

通过构建具有一定“深度”的模型，可以让模型来自动学习好的特征表示（从底层特征，到中层特征，再到高层特征），从而最终提升预测或识别的准确性。表示学习：如果有一种算法可以自动地学习出有效的特征，并提高最终机器学习模型的性能，那么这种学习就可以叫作表示学习。• AlexNet的架构与LeNet相似，但使⽤了更多的卷积层和更多的参数来拟合大规模的ImageNet数据集。不管检测对象出现在图像中的哪个位置，神经网络的前面几层都应该对相同的图像区域具有相似的反应。在两个隐含层之后应用丢弃法（更好的稳定性 / 正则化）

2025-02-20 10:12:08 375

原创 2.19课堂总结

同时，我们也认识到多层感知机在训练难度、过拟合和数据依赖性等方面的局限性，并探讨了相应的改进方法。在单隐藏层的多层感知机中，通过调整输出层的神经元数量和权重，可以实现二分类或多分类问题。然而，对于单分类问题，通常只需要一个输出神经元，并使用适当的激活函数（如Sigmoid）将输出映射到0和1之间，表示属于某类的概率。多层感知机是一种前馈神经网络，由输入层、隐藏层和输出层组成。通过调整隐藏层中神经元的数量和权重，以及选择合适的激活函数，单隐藏层的多层感知机可以逼近一些复杂的函数关系。

2025-02-19 16:53:56 406

原创图像识别技术与应用2

随机梯度下降（SGD）是梯度下降的一种变种，它每次只使用一个小批量的样本来计算梯度，从而加快了训练速度并提高了模型的泛化能力。神经网络是一种模拟人脑神经元结构的数学模型，它通过大量的神经元和连接来模拟人脑的学习和决策过程。通过训练数据，模型能够学习到数据的分布和规律，从而进行准确的预测和分类。线性回归是一种基本的机器学习算法，它通过对n维输入的加权，外加偏差，来预测目标值。综上所述，图像识别技术与应用、线性回归、神经网络、损失函数、训练数据与学习参数以及基础优化算法都是机器学习和深度学习领域的重要概念。

2025-02-18 11:43:47 244

原创图像识别技术与应用

同时，随着深度学习等技术的不断进步，图像识别技术的准确性和效率也将得到进一步提高。2. 深度学习算法：对于复杂的图像识别任务，如物体检测、人脸识别等，深度学习算法如卷积神经网络（CNN）、循环神经网络（RNN）等具有更强大的表达和学习能力。综上所述，图像识别技术与应用课堂为我们提供了深入了解图像识别技术的机会，让我们认识到这一技术在各个领域中的广泛应用和巨大潜力。1. 传统机器学习算法：对于简单的图像识别任务，如数字识别，传统的机器学习算法如SVM（支持向量机）、KNN（K近邻）等可以得到较好的结果。

2025-02-18 00:13:29 211

2301_80014371的博客