【深度学习笔记】机器学习模型

RealWeakCoder RealWeakCoder 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 200+累计阅读 298平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄7年
关注
原创 最新推荐文章于 2026-06-25 15:02:59 发布 298 阅读 AI 写同款· GEO 优化 ›
ML/DL-复习笔记【四】- DeepLab系列模型总结 本节为ML/DL-复习笔记【四】- DeepLab系列模型介绍，主要内容包括：DeepLabV1 ~ DeepLabV3+模型架构解读。 阅读详情

线性模型

线性模型的假设空集为一个参数化的线性函数族，即f(x,θ)=˙wTx+bf(x,\theta)\dot=w^Tx+bf(x,θ)=˙wTx+b,其中参数θ\thetaθ包含的权重向量www和偏置bbb

非线性模型

广义的非线性模型可以写为多个非线性基函数ϕ(x)\phi (x)ϕ(x)的线性组合
f(x,θ)=˙wTϕ(x)+bf(x,\theta)\dot=w^T\phi (x)+bf(x,θ)=˙wTϕ(x)+b

收录于
深度学习

当前文章被收录于：

深度学习
12 篇文章 1 人学习
订阅专栏 查看详情
标签
#机器学习 #深度学习 #人工智能 #神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
AI大模型学习笔记｜人工智能的发展历程、智能体的发展、机器学习与深度学习的基本理论 本次学习集中于人工智能的基础，涵盖其历史、智能体应用、机器与深度学习原理，及实际应用案例。通过展示QA模型和翻译模型，演示技术的实现过程。此外，还介绍了Paper with Code网站，用以探索研究项目，并触及声音、信号处理、自然语言处理及图像处理等领域。 阅读详情

相关推荐

机器学习和深度学习模型汇总

机器学习和深度学习模型汇总：CNN :Alexnet,vggnet,Google Inception Net,resnet

一文了解深度学习模型：CNN、RNN、GAN、transformer

深度学习是一种模仿人脑神经网络结构和功能的机器学习方法，通过构建多层神经网络模型，自动从大规模数据中学习复杂的特征表示。其核心原理包括和层次化特征提取：通过多层非线性变换，逐步提取数据的高级语义特征端到端学习：直接学习输入与输出间的映射关系，无需人工干预这种机制使深度学习能有效处理高维、非线性数据，在图像识别、语音识别和自然语言处理等领域展现出卓越性能。

Java_rich的博客 2万+

智能座舱架构与芯片 - (3) 硬件篇 上

在了解智能座舱的基本架构之后，我们有必要针对智能座舱域的硬件平台，软件平台，SOC等进行逐一介绍。从它们的整体结构中去认识最新的智能座舱组成部件，以及主要功能等。如上图，是中央计算-区域控制架构下的智能座舱硬件平台框架图，其中，智能座舱控制器CDC挂载在以太网交换机上，与其他车控域VDC，自驾域ADC，网联设备5G+V2X等通过以太网实现数据交互。而智能座舱域的外部硬件设备还包含有连接子系统音频子系统摄像头子系统显示子系统存储子系统功能安全子系统等。

joanna_xiao的博客 2406

机器学习基础学习笔记（二）机器学习概述

机器学习概述一.基本概念二.机器学习的三个基本要素1.模型2.学习准则三级目录 一.基本概念 二.机器学习的三个基本要素 1.模型 2.学习准则 三级目录

exsolar_521的博客 1030

昆仑通态屏幕制作（连载1）---接触篇

写在开始 背景：最近出了做QT、LORA和4G，还做了一个屏幕。以前做了一个迪文的串口屏幕，发现网上的教程很多，所以连载就不更新了，并且迪文屏幕的设置什么的比较简单，应该从网上都能找到对应的教程。而现在用的昆仑通态的屏幕属于嵌入式屏幕，至于为啥叫嵌入式，也不是很明白，反正就是需要用这个屏幕，嵌入式不嵌入式不重要了。重要的是能用，并且能实现串口屏幕不能实现的功能。所以选定昆仑通态的一款屏幕。 文章语言：我比较习惯用比较糙的语言介绍做的东西，有时候不太准备，但是为了方便理解，还请大家谅解。用...

weixin_45426095的博客 6737

视频倍速 - 在线调倍速的加速器APP工具

一刀工具箱APP提供一键可将手机上的视频倍速播放，可以调整视频倍速的加速器，调节视频的速度也就是调节视频的播放速度！一键可将手机上的视频倍速播放，可以调整视频倍速的加速器，调节视频的速度也就是调节视频的播放速度！视频倍速-在线调倍速的加速器-一刀工具箱APP。...

无涯教程 7559

机器学习、深度学习、预训练模型：全面对比与深度解析

机器学习、深度学习、预训练模型不是相互替代的关系，而是AI技术栈的不同层次。理解它们各自的优势与局限，在合适的场景选择合适的技术，并善于组合使用，才是现代AI工程师的核心竞争力。

askein的博客 1767

【HDLBits实战】从真值表到最优电路：SOP与POS形式在ECE241考题中的精妙应用

本文以HDLBits平台上的ECE241考题为例，详细讲解了如何从真值表出发，利用卡诺图化简技术，推导出最优的积之和（SOP）与和之积（POS）逻辑表达式。文章重点剖析了如何处理“无关项”以简化电路，并通过Verilog代码实现对比，阐述了SOP与POS形式在数字电路设计中的精妙应用与实战价值。

z2a3b4c5d的博客 216

【机器学习】-深度学习模型

深度学习是机器学习的一个分支，它通过构建多层的神经网络模型来模拟人脑的工作机制。深度学习模型具有强大的特征提取和表示能力，在图像识别、语音识别、自然语言处理等领域取得了显著的成果。

前鼻音的博客 927

NVIDIA Jetson AGX Xavier设置风扇转速、工作模式及性能监控

Xavier的风扇在开机之后是默认关闭的，每次重启都需要手动打开风扇，后续可能考虑修改bashrc文件进行自动开启 这个是显示当前风扇的转速，默认应该是0，表示关闭，最大是250 cat /sys/devices/pwm-fan/target_pwm 可以通过修改该文件的值来修改风扇转速 vim /sys/devices/pwm-fan/target_pwm 我一般使用的是100这个值 作者：ryan_ren 链接：https://www.jianshu.com/p/d3c2041f7f7d 来源：简书 著

weixin_43877080的博客 1万+

Python 爬虫实战：攻克小红书种草笔记，抓取美妆好物推荐数据

通过本次 Python 爬虫实战，我们成功地从小红书爬取了美妆种草笔记的数据，并进行了存储、处理、分析和可视化展示。在这个过程中，我们不仅掌握了爬虫技术的基本应用，还学会了如何对动态加载的数据进行处理和分析。然而，本次爬虫任务也存在一些局限性，例如仅爬取了部分笔记的数据，且未对笔记中的图片和视频内容进行分析。在未来的工作中，我们可以进一步优化爬虫程序，爬取更多笔记的数据，并深入分析笔记中的多媒体内容、用户行为模式等，为美妆品牌和消费者提供更有价值的数据支持。

u014481728的博客 3272

机器学习基础篇

机器学习 机器学习（Machine Learning，ML）就是让计算机从数据中进行自动学习，得到某种知识（或规律）。 如下图给出了机器学习的基本概念。对一个预测任务，输入特征向量为x，输出标签为y，我们选择一个函数f(x, θ)，通过学习算法A和一组训练样本D，找到一组最优的参数θ∗，得到最终的模型f(x, θ∗)。这样就可以对新的输入x进行预测。 (上图引自邱锡鹏的《神经网络与深度学习》) 机器学习任务要先需要根据样本数据来确定其输入空间X 和输出空间Y。不同机器学习任务的主要区别在于输出空间不同，例

qq_42079167的博客 466

逆向分析-SeparationPreview.aip-分色预览-结构分析（一）-x64dbg条件日志打印-命令表达式-PS脚本

从功能上分析，仅显示使用的专色这个功能，并没有触发插件接口。使用X64dbg加载illustrator进程，切换到句柄窗口，在窗口过程中，右键刷新获取界面。在x64dbg中，在UI中可以输入一些条件表达式，能够计算出对应的值，并打印在日志中。常用的，如果非暂停，输出第一个参数。参数二是utf16的指针，utf16@字符串地址，这里的字符串地址为[[ebp-108]]参数一是utf8的，utf8@字符串地址，这里的字符串地址为[ebp-28]从界面上分析，一个颜色列表，及仅显示专色的多选框组成。

插件开发 645

2020-10-02

ML/DL 学习笔记2 ACC RECALL PRE F1 AOC AUC

wuwususheng的博客 138

端侧 AI 落地避坑指南（中）：为什么 QAT 救不了精度？——对齐“融合后算子“的硬件物理约束

在上一篇文章中，我们深入探讨了量化的本质，并得出结论：QAT（量化感知训练）是保持精度的关键。明明做了 QAT，精度还是崩塌了！让我们看一个真实的案例：✅ 使用了✅ 配置了量化✅ 训练了 50 个 epoch，学习率降为原来的 1/10✅ 冻结了 BN 统计量FP32 模型：mAP = 0.85QAT 后 FP32：mAP = 0.84（正常）工具量化后：mAP = 0.68（崩塌！问题出在哪里？层融合（Layer Fusion）机制。

weixin_51988935的博客 55

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载

台大DL—week1 笔记

用心努力引言 神经网络基础 一、引言1、ML与DL的区别a) 什么是ML呢？给定一组数据集，ML等效于寻找一个函数，这个函数可以实现预测识别功能。比如，给定一个波形，识别出“你好”，给定一个手写字体图片识别出“2”，给定星期四多云预测出星期六下雨等等。 模型:假设函数的集合(f1,f2,…) ⇒ 训练:挑选最优函数f* ⇒ 预测：测试集 b) 什么是DL呢？是寻找一个更复杂的函数，这个函数是

qq_30067751的博客 487

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

[2022]李宏毅深度学习与机器学习第一部分必修部分笔记

回归，输出是一个数值；分类，给定选项（classes），Function给出correct one；结构学习，生成或者创造特定结构的内容；

weixin_45920982的博客 673

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

ML/DL学习笔记2——偏差和方差模型好坏

    不同的model对应的error是不同的那么error是怎么来的呢？这里引入偏差和方差这两个概念。 概念引入  偏差（bias）：描述的是预测值（估计值）的期望与真实值之间的差距。偏差越大，越偏离真实数据。  方差（variance）：描述的是预测值的变化范围，离散程度，也就是离其期望值的距离。方差越大，数据的分布越分散。   红色靶心表示为实际值，蓝色点集为预测值。   低偏差，低方差：这是训练的理想模型，此时蓝色点

sujixian1995的博客 1751

机器学习、深度学习、人工智能、大模型笔记

通过这种差异化的视觉表达，词云图将文本数据原本抽象的分布状况，转化为直观、可感知的图形化展示，让观察者能够迅速洞悉文本中词汇的主次关系以及整体的分布态势，极大提升了文本信息的可理解性与分析效率。基于人类反馈的强化学习将人类标注者引入到大模型的学习过程中，训练与人类偏好对齐的奖励模型，进而有效指导语言大模型的训练，使得模型能够更好地遵循用户意图，生成符合用户偏好的内容。相较于一般的Reasoning方法，能够根据当前的场景进行分析，做出更具有针对性的行动，并且提供了更好的可解释性和更高的容错度。

m0_58291117的博客 1287

机器学习、深度学习模型评估指标—整理笔记

提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 目录一、混淆矩阵的定义二、准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure1.准确率(Accuracy)2.精确率(Precision)3.召回率(Recall)4.F1 score三、ROC曲线和AUC1.ROC曲线2.AUC(Area under Curve)3.P-R曲线 一、混淆矩阵的定义 (1)若一个实例是正类，但是被预测成为正类，即为真正类(True Postive T..

zonghaile123的博客 1064

AI新晋学徒#2：一些最基本的概念

近几年人工智能的再次“爆发”很大程度上与互联网上数据的海量涌现不无关系，因数据而爆的人工智能反过来说也更好的服务于数据，那么，数据到底是什么？这张图来自维基百科，不一定是最新最全面的，但是在我看来非常清晰的将AI领域最根本的、也比较容易让人困惑的几个基本概念之间的关系呈现了出来。简单来说，数据无非结构化和非结构化两大类，我们每天接触的无数的文字、图片、视频等等都是非此即彼的数据而已。当模型建立以后，可以怎么“教”机器呢？如此，经过了反复学习的机器，就可以称之为有”智能“了，也即我们现在大家都说的人工智能。

weixin_60746677的博客 356

【学习笔记1】AI 基础概念：机器学习、深度学习、大语言模型的区别

先用一张图把三者的关系说清楚——它们是"包含关系"，不是并列关系。这张图说明了一件最重要的事：LLM 是 DL 的一种，DL 是 ML 的一种，ML 是 AI 的一种。它们不是平行的技术，而是一层套一层。下面逐层解释每一个概念。人工智能（AI）这是一个"大帽子"。只要是让计算机模拟人类智能行为的技术，都叫 AI。包括最早的专家系统（用 if-else 写死规则）、搜索算法、甚至国际象棋程序。AI 不一定要"学习"——规则写死也算。早期的专家系统（Expert Systems）

渴望飞翔的小白 744

深度学习笔记08_机器学习模型评估

机器学习的四个分支 二分类问题、多分类问题和标量回归问题。这三者都是监督学习（supervised learning）的例子，其目标是学习训练输入与训练目标之间的关系。 监督学习 给定一组样本（通常由人工标注），它可以学会将输入数据映射到已知目标［也叫标注（annotation）］。 监督学习的分类： 分类：对数据进行分类 回归：对数据进行拟合 序列生成：给定一张图像，预测描述图像的文字。 语法...

瓦力人工智能 248

机器学习笔记：深度学习模型复杂度

包含bias的话，参数量就是 (2D+1)*4D+(4D+1)*D。

qq_40206371的博客 587

终极机器学习实战指南：19个Jupyter笔记本教你掌握Scikit-Learn、Keras和TensorFlow 2深度学习

你是否想快速掌握机器学习与深度学习的核心技术？🤔 **Hands-on ML3** 项目为你提供了最完整的实战教程！这个开源项目包含了19个精心设计的Jupyter笔记本，从机器学习基础到TensorFlow 2深度学习实战，手把手教你构建AI模型。无论你是初学者还是有经验的开发者，这个项目都能帮助你系统性地学习机器学习与深度学习技术。 ## 🚀 为什么选择Hands-on ML3项目？

gitblog_00937的博客 399

分享吴恩达机器学习视频和300页word学习笔记，以及深度学习五门课视频及700页word笔记

我也是从今年开始学人工智能 ，我的习惯是每听一门课就得做笔记。以前的python入门课、数据分析、算法课都做了，那个有时间再分享。 吴恩达的机器学习和深度学习课视频qishihenduodifan

qq_56591814的博客 1316
上一篇： 平衡二叉树(AVL树)C++代码实现
下一篇： 【深度学习笔记】常见损失函数
点赞 1
评论 0
书签 书签 0
RealWeakCoder
RealWeakCoder
博客等级 码龄7年 236粉丝 68原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值