- 博客(12)
- 收藏
- 关注
RSS订阅原创 Pytorch 中的 非线性 与 线性层
线性层和非线性层在深度学习模型中通常是交替使用的，它们的组合极大地增强了模型的表达能力。线性层通过线性变换将输入特征映射到输出特征空间，但它本身只能学习到输入特征之间的线性关系。线性模型的表达能力有限，无法很好地处理复杂的非线性模式。为了解决这个问题，通常在线性层之后会添加一个非线性激活函数，例如ReLU、Tanh、Sigmoid等。非线性激活函数能够引入非线性变换，使得模型能够学习到更复杂的特征表示和模式。通过交替使用线性层和非线性层，深度神经网络可以逐渐将输入数据转化为复杂的非线性表示。
2024-08-30 00:30:00
1103
原创 经典统计 与 贝叶斯统计介绍
经典统计使用频率学派的方法，依赖于样本数据的频率分布进行推断。在经典统计中，参数被认为是固定但未知的，而推断过程主要是基于样本数据的统计性质进行。常见的经典统计方法包括置信区间、假设检验等。
2024-08-29 12:23:03
2308
原创 模型的训练套路
3. dataloader 加载后的数据 ---3. dataloader 加载后的数据。2. 损失函数 ---# 在 测试时，一定要这样 ，避免梯度。1. 网络模型 ---测试结果的 正确率 acc。
2024-08-26 00:45:00
754
原创 Pytorch 的 损失函数
损失函数（Loss Function）是用来衡量模型预测结果与真实值之间的差异的函数。它是训练过程中最重要的组成部分之一，用来指导模型的优化过程。
2024-08-25 17:07:28
1049
原创 Pytorch 中的 优化器
torch.optim 是PyTorch库中的一个优化器模块，用于实现各种优化算法。优化器模块提供了一系列优化算法，如随机梯度下降（SGD）、Adam、Adagrad 等。这些优化算法用于调整神经网络的权重和学习率，以最小化损失函数。通过优化算法，可以帮助神经网络更快地收敛到最优解，提高训练效率和准确率。
2024-08-23 06:00:00
1180
原创 Pytorch 中的池化层
最大池化是可以提取图像的纹理和形状特征，同时减少图像的大小。平均池化可以平滑图像，减少噪声和细节，同时保留图像的整体结构。L2范数池化在一些特定的应用中也会有一定的作用。池化操作的目的是通过降低图像的空间维度，减少参数数量，简化模型，并且可以提取出图像的主要特征。池化层通常与卷积层交替使用，构建卷积神经网络（CNN）的架构。
2024-08-20 07:00:00
3021
原创 Pytorch 中 torch.utils.data 下的 Dataset 与 DataLoader
创建自己的 数据集 Dataset# 对数据集 进行初始化 ，包括 数据与标签# 返回数据集的长度# 根据索引返回对应的 value 值# 假设data和labels是已经加载或生成的数据和标签data = [1, 2, 3, 4, 5] # 示例数据labels = ['春', '夏', '春', '夏','夏'] # 示例标签# 初始化数据# 根据 索引，返回对应的数据与标签print(dataset[1]) # (2, '夏')# 返回数据集的长度# 查看数据集中的所有数据。
2024-08-17 16:45:00
1295
原创 Pytorch 中的 Transforms
在使用方法是：1. 首先 关注 它的 输入 需要什么样的 数据类型，是PIL，是Numpy，是Tensor ....2. 关注 它的 输出是什么样的数据类型3. 查看 官方文档的参数# 下面是 把图像的像素值从[0, 255]缩放到[0.0, 1.0]print(img_tensor) # 将图像数据 转换为 tensor 类型的数据# 归一化# 初始化参数： mean, std, inplace=False。
2024-08-16 18:06:49
2162
1
原创 TensorBoard的简要介绍
是一个可视化工具，用于展示和理解TensorFlow运行时的计算图、数据分布以及训练过程中的各种指标。通过TensorBoard，用户可以直观地看到模型的训练过程、数据的流动以及各种统计信息，从而更好地调试和优化模型。主要功能包括可视化模型的网络架构、跟踪模型指标（如损失和准确性等）、检查机器学习工作流程中权重、偏差和其他组件的直方图、显示非表格数据（包括图像、文本和音频）以及将高维嵌入投影到低维空间。
2024-08-16 10:50:28
1017
1
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