<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Callmebig的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Callmebig</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Callmebig]]></copyright><item><title><![CDATA[python和numpy纯手写BP神经神经网络]]></title><link>https://blog.youkuaiyun.com/Callmebig/article/details/122919657</link><guid>https://blog.youkuaiyun.com/Callmebig/article/details/122919657</guid><author>Callmebig</author><pubDate>Mon, 14 Feb 2022 16:16:35 +0800</pubDate><description><![CDATA[这里写目录标题python和numpy纯手写BP神经神经网络二级目录三级目录神经网络的基本理解神经网络公式前向传播激活函数误差求解反向传播参数更新神经网络python代码
python和numpy纯手写BP神经神经网络
二级目录
三级目录
神经网络的基本理解
神经网络分为三层，输入层，隐含层以及输出层。隐含层可以为多层神经网络。输入层为输入样本的数据维度（N*D），输出层为样本标签y，y可以为离散值（分类任务）也可以为连续值（回归任务）。
个人理解，神经网络的训练过程主要有四个步骤，包括：
（1）正向传播：]]></description><category></category></item><item><title><![CDATA[BP神经网络的原理以及基于python的实现]]></title><link>https://blog.youkuaiyun.com/Callmebig/article/details/116245389</link><guid>https://blog.youkuaiyun.com/Callmebig/article/details/116245389</guid><author>Callmebig</author><pubDate>Fri, 30 Apr 2021 16:08:36 +0800</pubDate><description><![CDATA[在用python搭建BP神经网络，其实可以直接调用sklearn。python是一种面向对象的语言，既然有现成的包可以直接调用，调用sklearn包更符合python编程的特性。
但是调用会对模型构成原理，造成模糊认识。因此为了加强对模型的认识，进行对BP神经网络的代码编写。

...]]></description><category></category></item><item><title><![CDATA[Docker（阿里云）]]></title><link>https://blog.youkuaiyun.com/Callmebig/article/details/113991581</link><guid>https://blog.youkuaiyun.com/Callmebig/article/details/113991581</guid><author>Callmebig</author><pubDate>Fri, 26 Feb 2021 01:03:35 +0800</pubDate><description><![CDATA[docker可实现容器和镜像。用户可以方便的将一个程序从一个平台迁移到另一个平台。
Docker可以让本机安装环境不变的情况下，虚拟出不同的环境，不同的容器存放不同的镜像。
主要应用场景包括：
（1）要求不同环境下处理不同的项目；
（2）比赛（天池）对你的模型进行考核；
（3）云服务提供商更好的利用服务器资源。

...]]></description><category></category></item><item><title><![CDATA[前向传播与反向传播]]></title><link>https://blog.youkuaiyun.com/Callmebig/article/details/113963181</link><guid>https://blog.youkuaiyun.com/Callmebig/article/details/113963181</guid><author>Callmebig</author><pubDate>Tue, 23 Feb 2021 09:25:05 +0800</pubDate><description><![CDATA[损失函数，就是指当前构建的函数与实际y值之间的误差。
目标函数，对损失函数进行进一步的完善，比如加入正则化。
前向传播：通过数据，计算出每个变量及每层的权重，数据与每一层的参数相乘，得到预测值，求得预测值与目标值的损失值（loss）。
反向传播：在得到loss值后，反过来调整每一层的权重，需要计算偏导。
得到新的权重后，继续进行前向传播，计算loss，然后再反向传播进行迭代，直至loss到达最小值。

...]]></description><category></category></item><item><title><![CDATA[keras实现cnn模型代码]]></title><link>https://blog.youkuaiyun.com/Callmebig/article/details/113940146</link><guid>https://blog.youkuaiyun.com/Callmebig/article/details/113940146</guid><author>Callmebig</author><pubDate>Mon, 22 Feb 2021 22:13:31 +0800</pubDate><description><![CDATA[利用keras 实现cnn模型，关键在于：
（1）原始数据的处理。（可输入的格式）
（2）卷积层、池化层、全连接层的搭建
（3）各层对输入数据的size变化。
1.库的导入

np_utils库中的功能，应该就是对label进行one-hot处理一类的操作。
from models import Sequential 是keras搭建模型的一种框架，Sequential是一系列网络层按顺序构成的栈。
将一些网络层通过.add()堆叠起来，就构成了一个模型。
from models.layers import]]></description><category></category></item><item><title><![CDATA[卷积神经网络]]></title><link>https://blog.youkuaiyun.com/Callmebig/article/details/108315292</link><guid>https://blog.youkuaiyun.com/Callmebig/article/details/108315292</guid><author>Callmebig</author><pubDate>Thu, 03 Sep 2020 15:17:52 +0800</pubDate><description><![CDATA[这里写目录标题一级目录输入层卷积层二级目录三级目录
一级目录
``卷积神经网络的基础依旧是层级网络，在原有的神经网络的基础上做了新的改进，添加了很多新功能的层次。
卷积神经网络的层级结构可分为输入层、卷积层、激活层、池化层、全连接层。

输入层
输入层，作为卷积神经网络的第一层，表示着数据的输入。个人理解，该层所进行的操作，对数据进行划分，维度的处理以及包括数据清洗，归一化等预处理等操作。
卷积层
卷积层，作为卷积神经网络最重要的一层（理解了卷积层也就理解了卷积神经网络），对原数据所含的信息进行提取。卷积层]]></description><category></category></item></channel></rss>