- 博客(8)
- 收藏
- 关注
RSS订阅原创 深度学习项目实战——基于bert的情感分析预测项目
Bert的原理这里有讲，懂了原理以后这个项目就是“小菜一碟”这个项目是根据hotel评价的项目，数据集类似于这样，（你可以参考这个自己去kaggle，paperwithcode，github找一些其他数据集，外卖评价啊景点评价啊都一个原理）其中“，”前的1是好评，0是差评，后边是评价这个项目就是根据这些评价，来预测这是好评还是差评的预测，高级一点说，也就是情感预测。
2025-03-20 23:53:14
982
原创 深度学习自然语言处理（NLP）基础——自注意力机制原理详解、Transformer、BERT、RNN等
NLP（自然语言处理）定义：NLP 是人工智能的一个分支，致力于让计算机理解、处理和生成人类语言。任务文本分类（如情感分析）机器翻译问答系统文本生成命名实体识别等等。技术发展早期：基于规则的方法（如正则表达式、语法分析）。中期：基于统计的方法（如隐马尔可夫模型、条件随机场）。现代：基于深度学习的方法（如 RNN、LSTM、Transformer）。定义：Transformer 是一种基于 自注意力机制（Self-Attention）。
2025-03-14 21:45:08
985
原创 深度学习卷积CNN——Alexnet、VggNet、ResNet经典模型讲解等
通俗来讲，就是当今现在最牛叉模型SOTA（State of the Art）模型指的是在某一特定领域或任务中，当前表现最优、代表着该领域最高水平和最新技术发展状况的算法或模型。例如在图像识别领域中准确率最高的卷积神经网络，自然语言处理领域里理解能力最强的语言模型如 GPT 系列等。高性能指标：在公认的测试集上能取得最高的跑分等性能表现，如在 ImageNet 图像分类任务中准确率突破较高水平。创新性：会提出新方法，如改进模型架构或训练技巧，像 Transformer 架构就颠覆了传统的 RNN 架构。
2025-03-03 21:41:32
1380
原创 深度学习——分类任务基础原理 及 卷积 基础原理
Padding 指的是在进行卷积操作之前，在输入数据（如图片、特征图）的边界周围添加额外元素的过程。这些额外元素可以是零（零填充，Zero-padding），也可以是其他特定的值，具体取决于使用的填充策略。
2025-03-01 21:24:57
1339
原创 深度学习，关于batchsize的一些讲解
背后原理就其实是对于batchsize里的每个x和y对应的loss函数表达式里的参数求偏导，算出梯度，将这组里的所有梯度求平均，再套入公式 每个参数减去学习率*平均偏导 这样更新。
2025-02-28 10:07:17
222
原创 深度学习项目——关于疫情人数预测的回归项目实战
首先我们先定义一个类，这个类一般有三个函数，在 PyTorch 中，自定义数据集类通常继承自，一般需要实现__init__和__len__这三个方法（规定死的）data = np.array(csv_data[1:]) # 1: 第一行后面的if mode == "train": # 训练数据逢5选4， 记录他们的所在行elif mode == "val": # 验证数据逢5选1， 记录他们的所在列col_idx = [i for i in range(0,93)] # 若全选，则选中所有列。
2025-02-26 21:34:13
545
原创 深度学习项目实战——基于线性回归实现一个简单的深度学习神经网络模型
我们现在共有4个维度的数据，比如说一个手机的颜值、性能、颜色、大小，我们来根据这四个维度的数据想要来推测一个手机的价格。假设现在这四个维度的数据和手机价格满足某种线性关系，我们要通过深度学习来预测这种线性关系。如图所以y = w1x1 + b1 + w2x2 + b2 + w3x3 + b3 + w4x4 + b4即y = w1x1 + w2x2 + w3x3 + w4x4 + b（所有常数合为一个b）其实我们可以表示为矩阵运算的，假设有500组数据。
2025-02-17 21:26:45
799
原创 深度学习的基本原理之一（基于最简单的线性回归讲解）
线性回归模型的表达式为，其中 X是输入特征（假设为一维,即一个简单的神经元，若为多维则 X是向量，这里原理相同）， w是权重参数， b是偏置参数， y^是模型的预测值。（Loss函数实际就是我们模型预测出来的值y^和实际y的差值的平均值）对于Loss函数来说，输入X和标签Y都是已知的客观的，可以被当作常数，把w和b看作变量来进行更新，以使得我们的loss函数的值越来越小，所以我们要求w和b的偏导数，然后向着loss会减小的地方进行更新w、b。
2025-02-15 19:25:39
273
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