kkkaiyu的博客

这里只采用 ReLU、Sigmoid 作为神经网络的激活函数，MSE 作为损失函数下面列了这仨的计算公式与导数的计算公式。除了定义计算公式，也定义了其求导公式，因为链式法则，懂吧？😁 就是为了方便后面的求导（也就是误差反向传播）

Grad-CAM，全名为Gradient-weighted Class Activation Mapping，中文名叫梯度加权类激活映射。是一种用于理解卷积神经网络决策的可视化技术，简单来说，它可以帮助我们“看到”神经网络在做出决策时，到底关注了图像的哪些部分，也就是卷积层的注意力部分呗此项技术可以应用在图像分类，图像转文字，视觉问题回答等任何特定任务的网络Grad-CAM无疑是一把解锁神经网络黑箱的钥匙。通过它，可以更直观地理解模型的内部工作机制，从而优化模型、提高性能（这句是水文章）

本文是对于《手搓神经网络——BP反向传播》一文中高级的 BP 反向传播部分的详细论述。

相关文章：哼，就是整活儿😎😎😎。之前写了《手搓神经网络——BP反向传播》一文。此本便是基于前文的“实战”，基于之前手搓的神经网络框架，实现 Fashion MNIST 训练。毕竟实践出真知，在前篇中的验证仅验证了神经网络框架的自动求导正确与否…加载数据集使用 TensorFlow 加载 Fashion MNIST对训练数据集打乱，设置批大小定义激活函数、损失函数这个在《手搓神经网络——BP反向传播》中写过了，这里不多言构造框架关于此部分，笔者优化了框架结构，这样便于后期的神经网络模型构建

举个栗子🌰，我们要区分苹果🍎和凤梨🍐。我们。

承接上文，本文通过混淆矩阵获取几个常见的评估指标。使用sklearn、tensorflow和手搓混淆矩阵这3种方式进行指标的计算 🦆🦆🦆。