深度学习第四周学习周报

最新推荐文章于 2025-08-03 11:35:19 发布
最新推荐文章于 2025-08-03 11:35:19 发布
阅读量367 收藏
点赞数
CC 4.0 BY-SA版权
文章标签： 深度学习 学习 人工智能
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。
本文链接：https://blog.youkuaiyun.com/Xiachengggg/article/details/131032465
本周完成了《动手学深度学习pytorch》的第二至五章学习，专注于matplotlib的实践。进行了环境搭建和代码练习，理解了深度学习的基础概念。下周计划学习卷积网络和循环神经网络。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

学习时间：

2023.5.29-2023.6.4

学习目标：

  • 学习《动手学深度学习pytorch》第二、三、四、五章
  • 学习matplotlib

完成学习内容：

  • 学习《动手学深度学习pytorch》第二、三、四、五章
  • 学习matplotlib

学习情况：

  • 完成 matplotlib 视频学习，并参考文档笔记进行代码练习
  • 根据电子文档及其他教程完成环境搭建
  • 李沐老师的深度学习视频学习到预测房价竞赛总结
  • 前五章学习概念，理解代码，尝试复现部分代码

遇到问题

  • 概率部分有些公式有点不好理解
  • 代码实现时有些函数没有见过，需要查阅后理解用法

下周学习计划

  • 学习《动手学深度学习pytorch版》第六、七、八，九章
  • 完成实践项目，学习经典的卷积网络和循环神经网络
coderxiacheng
关注
李沐动手学深度学习 每周学习汇报 2021/11/8
Lordnow的博客
11-08 714
03 安装 前言 之前我一直使用的是Windows+Ubuntu20.04双系统，虽然Linux系统可能更适合做编程，但是因为读研也并不是纯编程，也需要处理其他很多事情，所以往往也需要用到Windows系统，平时使用的时候就在两者之间来回切换，渐渐感觉十分不方便。后来，我把电脑重开做成了Win11单系统。作为一名程序猿，只有Windows系统，可能是不够的。于是在目前的时点，我有几个选择：一是VMare虚拟机，二是云端服务器（比如Colab、kaggle、AWS等)，三是WSL。这次汇报...
深度学习第一周周报
__ys的博客
08-28 1195
一般定义数据使用torch.Tensor ，Tensor的意思是张量，是数字各种形式的总称。凡是用Tensor进行各种运算的，都是Function。最终还是需要用Tensor来进行计算的，计算包括基本运算，加减乘除，求幂求余布尔运算，大于小于，最大最小，线性运算，矩阵乘法，求模，求行列式等等。本节对Tensor支持的运算操作进行了演示，以下为程序运行截图：通过在⾕歌的 Colab上练习，学习了张量的定义和基本操作。
【学习周报】深度学习笔记第六周
qq_53348781的博客
11-04 1245
第二周 深度卷积网络：实例探究（Deep convolutional models: case studies）
深度学习第四周周报
weixin_49697616的博客
05-16 645
本周跟着李沐老师的《动手学深度学习》课程，完成了感知机、多层感知机、多层感知机的从零实现和简洁实现以及模型选择和欠拟合过拟合，下文将进行详细介绍。本周通过李沐老师的《动手学深度学习》课程，我掌握了以下内容：首先是感知机的一些基础概念和结构，和感知机的局限性，然后引出了多层感知机的概念，通过代码实现了多层感知机，并且学习了模型选择，如何评估模型好坏，还有过拟合和欠拟合等知识。
深度学习第五周周报
weixin_49697616的博客
05-30 1681
本周通过李沐老师《动手学深度学习》完成了权重衰减、丢弃法、数值稳定性、模型初始化和激活函数、模型构造和参数管理等学习。course.每个块提供的基本功能：将输入数据作为其前向传播函数的参数。通过前向传播函数来生成输出。请注意，输出的形状可能与输入的形状不同。例如，我们上面模型中的第一个全连接的层接收一个20维的输入，但是返回一个维度为256的输出。计算其输出关于输入的梯度，可通过其反向传播函数进行访问。通常这是自动发生的。存储和访问前向传播计算所需的参数。根据需要初始化模型参数。
深度学习第二周周报
weixin_49697616的博客
05-01 641
本周跟着李沐老师的《动手学深度学习》课程完成了矩阵计算、自动求导、线性回归、基础优化方法、线性回归从零开始、线性回归的简洁实现和softmax回归学习，下文将进行详细介绍。1、线性回归是对n维输入做加权求和，然后加上一个偏差值。2、使用平方损失来衡量估计值和真实值的差异。3、只有线性回归有显示解。4、线性回归可以看作是单层神经网络。1、梯度下降通过不断沿着反梯度方向更新参数求解。2、小批量随机梯度下降是深度学习默认的求解算法。3、批量大小和学习率是两个重要的超参数。
深度学习周报--第四周
m0_57788739的博客
05-24 1321
本周跟着吴恩达老师的机器学习系列课程学习了多元线性回归的相关知识，了解了特征缩放与正规方程的原理及公式，用两种方法完成了多元线性回归的代码实现，对特征缩放的作用与正规方程有了更加清楚的了解。
【学习周报】深度学习笔记第七周
qq_53348781的博客
11-11 692
第一周 循环神经网络（Recurrent Neural Networks） 1.1 常见的序列模型 1.2数学符号（Notation） 1.3 循环神经网络模型（Recurrent Neural Network Model） 1.4 通过时间的反向传播（Backpropagation through time） 1.5 不同类型的循环神经网络（Different types ofRNNs） 1.6 语言模型和序列生成
【深度学习周报第一周】
li_105的博客
06-18 598
常见算法：CNN（卷积神经网络）：基础架构，专为图像任务设计。ResNet：解决深层网络训练难题，引入“残差连接”。MobileNet / EfficientNet：轻量模型，适合在移动设备上运行。Faster R-CNN：精度高，适用于对检测要求严的任务。SSD（Single Shot MultiBox Detector）：速度与精度折中。2）分割常用算法： U-Net：医学图像分割领域常用。Mask R-CNN：结合检测与分割，适用于多目标精确定位。DeepLab 系列：语义分割经典代表，适用于复杂场景
第八周周报：动手深度学习（三）
qq_52684249的博客
08-18 990
本周跟着李沐老师的动手深度学习课程，主要学习了使用PyTorch实现深度学习模型中的优化算法。下文将详细归纳整个优化算法对于深度学习的重要性、优化算法整个不断创新优化的过程，以及每类优化算法的对应代码实现和运行结果。本周的学习到此结束，下周将会继续跟着李沐老师的课程学习在模型训练过程中的计算机性能和计算机视觉方面的基础操作。
第五周周报：深度学习经典网络模型（三）
qq_52684249的博客
07-28 1188
本周跟着李宏毅老师的课程，主要学习了生成式对抗网络中的无限制生成、去噪扩散概率模型、自监督学习中常用的预训练模型BERT和GPT，以及在目标领域中无标记数据时需要用到的迁移学习。本文将结合课程以及自身理解，介绍以上经典的神经网络模型。本周的学习到此结束，同时也完成了深度学习经典神经网络的基础理论学习。从下周开始，我将会跟着李沐老师的课程，从头用PyTorch实现之前所学内容，通过对代码的编写，更深一步理解深度学习的原理。
第四周周报：深度学习经典网络模型（二）
qq_52684249的博客
07-21 907
本周跟着李宏毅老师的课程，主要学习了序列到序列的神经网络模型Transformer，以及在机器学习中应用广泛的贝叶斯定理。详细地学习了Transformer的运行原理，以及通过西瓜检测的例子深刻理解了朴素贝叶斯的运行原理，并通过代码实现。本周的学习到此结束，下周将完成深度学习经典神经网络模型的学习。主要会涉及生成式对抗网络和自监督学习，后期会通过代码从零敲写以上模型。
第六周周报：动手深度学习（一）
qq_52684249的博客
08-04 957
本周跟着李沐老师的动手深度学习课程，主要学习了使用PyTorch工具对深度学习进行集成性操作，本周的内容主要涉及对tensor数据的操作、自动求导、线性回归模型的实现、softmax回归模型的实现，以及如何解决过拟合问题，最后还有kaggle实战房价预测。本周的学习内容主要围绕代码展开，本博客也会附上完整代码和数据。本周的学习到此结束，初步形成了用PyTorch编写深度学习算法的模型，还需要通过长时间的练习来熟练掌握编写流程。下周将继续学习用PyTorch进行深度学习的计算，以及CNN的编写。b。
使用yolo11训练饮料瓶盖缺陷检测质量检测数据集VOC+YOLO格式1432张5类别步骤和流程
最新发布
FL1623863129的博客
08-03 739
训练完成后，最佳权重保存路径为：runs/detect/train/weights/best.pt，如果多次运行命令runs/detect/train2,runs/detect/train3文件夹生成只需要到数字最大文件夹查看就可以找到模型。经过上面训练可以使用模型做一步部署，比如使用onnx模型在嵌入式部署，使用engine模型在jetson上deepstream部署，使用torchscript模型可以在C++上部署等等。通过比较不同模型在这些指标上的表现，可以判断哪个模型在实际应用中可能更有效。
CS231n2017 Lecture10 RNN笔记
Se_ren_di_pity的博客
08-02 728
循环神经网络(Recurrent Neural Networks)，可以实现不同类型的输入/输出如：1 to 1：固定输入得到固定输出1 to many: 比如输入固定size的图片，输出的是可变长度的序列，比如一段描述文本，长度随着单词数而变many to 1: 比如输入一段可变长度的文本，输出其情感分类向量many to many: 比如翻译任务。
深度学习（鱼书）day08--误差反向传播（后三节）
weixin_66162442的博客
08-01 922
本文介绍了深度学习中的误差反向传播算法，重点讲解了激活函数层和Affine层的实现。在激活函数层部分，详细分析了ReLU层和Sigmoid层的前向传播和反向传播过程，包括数学表达式和Python实现代码。ReLU层通过mask机制实现开关功能，Sigmoid层则通过计算图分解步骤进行求导。在Affine层部分，解释了矩阵乘积运算的仿射变换性质，展示了单个数据和批处理数据的实现方式，并给出了相应的类实现代码。文章通过计算图直观地展示了各层的运算过程，并强调了矩阵运算中形状匹配的重要性。
CS231n2017-Lecture9经典CNN架构笔记
Se_ren_di_pity的博客
08-01 895
首先回顾一下LeNet-5，该网络结构为[CONV-POOL-CONV-POOL-FC-FC]，卷积层使用的的卷积核，步长为1,；池化层使用的size，步长为2。
深度学习-梯度爆炸与梯度消失
weixin_74126320的博客
08-01 880
深度学习训练中常遇到梯度消失和梯度爆炸问题。梯度消失导致深层网络参数难以更新，表现为训练停滞；梯度爆炸则使参数剧烈波动，导致训练失控。解决方案包括使用ReLU激活函数、梯度裁剪等技术。此外，模型推理时需调用model.eval()切换Dropout和BatchNorm层至推理模式，常与torch.no_grad()配合使用以保证稳定性和效率。这些方法对CV、NLP等任务至关重要。
CIFAR10实战
zj_203240104的博客
08-01 435
本文展示了使用PyTorch对CIFAR10数据集进行分类任务的完整流程。首先通过torchvision下载并预处理数据，构建数据加载器。初始模型采用简单的卷积神经网络结构，包含三个卷积层和两个全连接层，训练10个周期后准确率仅为73%。为提高性能，作者对模型进行了优化，在卷积层后添加批归一化(BatchNorm)和ReLU激活函数，以加速训练并提高模型泛化能力。实验使用TensorBoard可视化训练过程和结果，包括损失和准确率曲线。代码展示了完整的深度学习流程，从数据加载、模型构建、训练到优化改进。
深度学习与AI研究资料精选汇总
资源摘要信息:"本资源为‘JELLY Tech Weekly.zip’，其内容涉及人工智能（AI）、机器学习（ML）以及深度学习（DL）领域的最新资讯和资料。该资源集质量高，适合用于研究学习，并且可以应用于毕业设计、课程设计等...
评论
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