L1神经网络与深度学习-2.1二分分类

原创已于 2025-10-15 13:03:43 修改 · 399 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #神经网络 #分类

于 2025-10-15 11:49:04 首次发布

吴恩达深度学习课程笔记专栏收录该内容

11 篇文章

订阅专栏

部署运行你感兴趣的模型镜像

Logistic回归是一个用于二分分类的算法
二分分类，就是是或者不是，对应1或者0
下面的例子是，识别一张图片是否为猫咪

一个图片保存为三个矩阵
x:特征向量，保存了所有的像素信息，包括红绿蓝三个矩阵
n：特征向量的维度，也可以写作nx

（x,y）：一个单独的样本，x是一个n维的特征向量，y是标签（0或1）

训练集由m个样本构成
mtrain 训练集样本数 mtest 测试集样本数
X：训练集中的x1/x2/x3等，n行m列（一般都是特征向量竖着组合）； Y：1*m的矩阵

您可能感兴趣的与本文相关的镜像

TensorFlow-v2.9

TensorFlow

TensorFlow 是由Google Brain 团队开发的开源机器学习框架,广泛应用于深度学习研究和生产环境。它提供了一个灵活的平台,用于构建和训练各种机器学习模型

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

mcqly

关注关注

5
点赞
踩
6

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

神经网络与深度学习教程

AI天才研究院

05-04

403

神经网络与深度学习是现代人工智能的核心技术，通过多层神经网络结构实现复杂模式的学习和识别。本课件涵盖了神经网络的基础组件(神经元与激活函数)、训练算法(前向传播与反向传播)、优化方法(损失函数与优化器)、经典网络结构(FCN、CNN、RNN)以及主流深度学习框架(PyTorch、TensorFlow、JAX)。深度学习领域发展迅速，新的架构、算法和应用不断涌现，掌握这些基础知识将帮助理解最新研究进展，并应用深度学习技术解决实际问题。

深度学习卷积神经网络（CNN）全析：原理、实战、前沿，开启 AI 视觉新时代

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域，希望和大家共同进步！

12-30

2026

摘要：本文全方位解读卷积神经网络（CNN）。开篇回溯神经网络发展，凸显CNN处理结构化数据的崛起之势，介绍其在多领域的变革之力。接着详解CNN架构，剖析卷积、池化、全连接层与激活函数原理，深挖数学本质，搭配Python实操展示应用流程，猫狗分类案例尽显效果。还涵盖拓展优化、跨领域融合创新，探讨挑战应对。更追踪前沿融合，分享工程技巧，深挖行业案例，助力CNN科普教育，展望其引领AI未来走向。

参与评论您还未登录，请先登录后发表或查看评论

神经网络与深度学习--网络优化与正则化

weixin_46034279的博客

05-01

3070

神经网络调参是深度学习中不可或缺的一环，它直接影响着模型的性能和泛化能力。当前神经网络模型应用到机器学习时仍有一些问题，主要包括两大类。优化问题深度神经网络优化十分困难。首先他的损失函数是一个非凸函数，找到局部最优解容易，但找到全局最优解并非容易。其次，神经网络参数非常多，训练数据很大，所以无法使用计算代价很高的二阶优化方法。最后，神经网络存在梯度消失或爆炸问题。泛化问题由于神经网络复杂度很高，拟合能力很强，很容易在训练集上过拟合。因此要考虑一定的正则化方法来改进网络泛化能力。

《神经网络与深度学习》- 邱锡鹏（更新）

qq_40345954的博客

10-01

6388

提炼《神经网络与深度学习》中的内容

深度学习---（1）神经网络与多层感知机

qq_51749909的博客

10-22

1782

卷积神经网络（Convolutional Neural Network，简称CNN）是一种深度学习模型，特别适合处理图像和视频等数据。它通过模拟生物视觉皮层的工作方式，能够有效提取图像中的特征。

Python深度学习--深度学习入门-深层神经网络与参数、超参数

寒江之雪，披蓑独钓的博客

02-09

914

使用浅层网络的时候很多分类等问题得不到很好的解决，所以需要深层的网络。

深度学习 --全连接神经网络 基本组件

2302_80301538的博客

08-04

838

神经网络（Neural Networks）是一种模拟人脑神经元网络结构的计算模型，用于处理复杂的模式识别、分类和预测等任务。生物神经元如下图：人脑神经元处理信息的过程：多个信号到达树突，然后整合到细胞体的细胞核中当积累的信号超过某个阈值，细胞就会被激活产生一个输出信号，由轴突传递。而神经网络由多个互相连接的节点（即人工神经元）组成。人工神经元(Artificial Neuron)是神经网络的基本构建单元，模仿了生物神经元的工作原理。

神经网络与深度学习

weixin_74889578的博客

05-03

1611

《神经网络与深度学习》

深度学习进阶：构建多层神经网络

GGDxianv的博客

02-25

1969

在上一篇文章中，我们从零开始构建了一个简单的两层神经网络，并通过异或问题（XOR）展示了神经网络的强大能力。今天，我们将进一步深入，构建一个更复杂的多层神经网络，并引入更多高级概念，如多隐藏层、激活函数选择、正则化等。我们还会使用更复杂的分类任务来训练模型，并评估其性能。

深度学习--神经网络全面知识点总结（持续更新中）

weixin_43749805的博客

06-07

8894

想象一下，你正在学习如何识别不同种类的动物，比如狗、猫和鸟。你会观察它们的特征，如体型、毛色、嘴形等，然后逐渐学会将这些特征与相应的动物类别关联起来。神经网络也是以类似的方式工作。它由大量的人工神经元组成，每个神经元类似于一个小的计算单元。每个神经元接收来自其他神经元的输入，并通过一个称为激活函数的非线性函数来处理这些输入。激活函数决定了神经元是否应该“激活”并传递信号给下一层神经元。举例来说，假设你要训练一个神经网络来识别猫和狗的图像。神经网络的第一层可以是图像的像素值，每个像素作为一个输入。

【神经网络】——深度学习.全连接神经网络

weixin_70972767的博客

07-15

1028

(Deep Learning)是神经网络的一个子领域，主要关注更深层次的神经网络结构，也就是所以，我们需要先搞清楚什么是神经网络！

深度学习(DL)-2.1 深度学习优化技巧——网络正则化、归一化、参数初始化 (Regularization、Normalization and Initialization)

Ogmx的博客

09-22

907

1.机器学习开发实践 1.1 需要考虑的问题开发流程：是一个迭代循环过程：提出想法->编写代码->进行实验验证->提出新想法->重写代码->再次实验验证->… 需要考虑的问题：网络层数神经元单元数学习率激活函数选择 … 1.2 数据集划分 1.2.1 三种数据集训练集 (train set)：用来训练模型验证集 (valid/dev set)：用于验证超参数选择，以此选出最好模型 (非必须) 测试集 (test set)：用于模拟真实情况，对模型

《神经网络与深度学习》-无监督学习

Passenger_zhang的博客

07-19

6297

无监督学习1. 无监督特征学习1.1 主成分分析1.2 稀疏编码1.2.1 训练方法1.2.2 稀疏编码的优点1.3 自编码器1.4 稀疏自编码器1.5 堆叠自编码器1.6 降噪自编码器2. 概率密度估计2.1 参数密度估计2.1.1 正太分布2.1.2 多项分布2.2 非参数密度估计2.2.1 直方图法2.2.2 核方法2.2.3 K近邻方法无监督学习（Unsupervised Learning，UL）是指从无标签的数据中学习出有用的模式，无监督学习算法一般直接从原始数据中学习，不需要标签。若监督学

深度学习之图像分类—理论与实践

阿尔法星球的专栏

09-25

469

图像分类是计算机视觉中的一个核心问题，目标是将图像分配到预定义的类别中。这个问题可以定义为一个监督学习任务，其中模型需要从标记的训练数据中学习如何识别不同的类别。分类任务类型：图像分类任务可以是二分类（如猫与狗的区分）或多分类（如100种不同类别的识别）。数据集：常用的图像分类数据集包括MNIST、CIFAR-10、ImageNet等，这些数据集提供了大量的标记图像用于训练和测试模型。性能指标：准确率、精确率、召回率和F1分数是评估图像分类模型性能的常用指标。

【文献阅读】DP-Site：一种基于双重深度学习的蛋白质-肽相互作用位点预测方法

weixin_42038527的博客

12-16

465

研究团队开发了一款名为DP-Site的AI工具，仅需分析蛋白质的氨基酸序列（“设计图”），就能精准锁定小分子药物的潜在“靶点”。DP-Site的核心创新在于其 “双专家会诊”模式。一位是“图像专家”，擅长分析序列的局部结构特征；另一位是“语义专家”，擅长理解序列的全局上下文信息。两者协同工作，使其预测综合性能（F1分数）达到0.661，超越此前所有方法。

基于深度学习的肾结石检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)