- 博客(4)
- 收藏
- 关注
RSS订阅原创 《神经网络与深度学习》第四次作业
分类问题与预测问题图像分类：当前输入−>当前输出时间序列预测：当前+过去输入−>当前输出假设一个交易员想在当日的股市中表现良好，于是通过以下途径 预测𝑥𝑡 ：随着观测，时间序列越来越长，过去太久的数据不必要，因此：保留一些对过去观测的总结ℎ𝑡， 并且同时更新预测和总结。这就产生了基于估计𝑥𝑡 ，以及ℎ𝑡 = 𝑔(ℎ𝑡−1 , 𝑥𝑡−1)更新的模型。
2025-06-24 16:40:49
802
原创 《神经网络与深度学习》第三次作业
TP:被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数；FP:被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；FN:被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；TN:被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。P(精确率）： 𝑇𝑃/(𝑇𝑃 + 𝐹𝑃)，标识“挑剔”的程度。R(召回率）： 𝑇𝑃/(𝑇𝑃 + 𝐹𝑁)，召回率越高，准确度越低，标识“通过”的程度。
2025-06-24 14:31:42
243
原创 《神经网络与深度学习》第二次作业
卷积神经网络通过卷积层提取图像特征，卷积操作可以捕获图像的局部特征，在图像卷积时，根据定义，需要首先把卷积核上下左右翻转，但在实际操作中，由于卷积核通常是对称的，这一步骤可以被忽略。填充是在矩阵的边界上添加一些值的操作，常用0或复制边界像素进行填充。这样做可以控制卷积操作后的输出大小。步长定义了卷积核移动的间隔，步长为2意味着卷积核每次移动两个像素在处理彩色图像时，卷积操作会考虑RGB三个颜色通道。每个通道使用独立的卷积核，然后将结果相加，得到最终的特征图，池化是另一种减少特征维度的操作。
2025-06-24 14:07:59
852
原创 《神经网络与深度学习》第一次作业
线性假设是指目标可以表示为特征的加权和，即：对于特征集合，其每一行是一个样本，每一列是一种特征，预测值可以表示为：给定训练数据特征和对应的已知标签，线性回归的目标是找到一组权重向量和偏置：当给定从的同分布中取样的新样本特征时，这组权重向量和偏置能够使得新样本预测标签的误差尽可能小。
2025-05-15 15:39:48
244
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人