深度学习是如何自动学习权重和偏置的呢 ？---0828

原创 已于 2025-08-29 16:18:01 修改 · 119 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习 #学习 #人工智能

于 2025-08-28 09:44:39 首次发布

最近在学习深度学习，学了 前向传播， 学习了权重， 偏置， 激活函数， 但是对于深度学习是如何自动学习权重和偏置， 及如何确定学习完成比较迷惑  ，今天会学习这块，争取搞懂 。

  • 前向传播：得到预测值 y

  • 把 y 和真实值 t带进损失函数，算出 L

  • 反向传播：对 W,b求导，得到梯度

  • 用梯度下降更新参数

是summer呀
关注
深度学习知识点全面总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
01-05 36万+
本文详细介绍深度学习概念及原理，参考网上相关资料汇总，内容包含众多章节，包括神经网络基础及常见深度学习网络结构介绍，用于个人学习总结，适合深度学习初学者学习。同时介绍机器学习常见的分类算法：SVM、神经网络、随机森林、逻辑回归、KNN、贝叶斯。常见的监督学习算法：感知机、SVM、人工神经网络、决策树、逻辑回归.........
PyTorch深度学习实战（3）——使用PyTorch构建神经网络
盼小辉丶的博客
06-13 8万+
PyTorch 是一个用于构建深度神经网络的库，具有灵活性和可扩展性，可以轻松自定义模型。在本节中，我们将使用 PyTorch 库构建神经网络，利用张量对象操作和梯度值计算更新网络权重，并利用 Sequential 类简化网络构建过程，最后还介绍了如何使用 save、load 方法保存和加载模型，以节省模型训练时间。
深度学习调参--总结
GDHBFTGGG的博客
08-13 2515
在深度学习中，调参是提升模型性能的关键步骤。虽然模型的架构设计和数据选择至关重要，但调参过程同样能够对模型的最终表现产生重大影响。
深度学习02-神经网络(MLP多层感知器)
热门推荐
liaomin416100569的专栏
05-09 9万+
神经网络是一种基于生物神经系统结构和功能特点而设计的人工神经网络模型，具有很强的自适应性和非线性映射能力。神经网络由多个神经元（或称节点）组成，这些神经元通过连接权重相互连接，构成多层的网络结构。每个神经元接收到来自其它神经元的信号，并将这些信号加权线性组合后通过激活函数进行非线性转换，最终输出给下一层神经元或输出层。学习机器学习后，学习神经网络可以帮助你更深入地理解模式识别和人工智能领域的基础知识。神经网络在很多领域都有广泛的应用，例如计算机视觉、自然语言处理、语音识别等。
机器学习之权重、偏置自动调参
追求灵魂代码
10-31 4708
背景 这段时间在学习神经网络相关的内容，神经网络的算法里面只要给定它特征值丢进去，算法就会自身跟新权重和误差(偏置)。其实学习机器学习内容的时候，我对这些算法过程是理解的，但是我对细节是模糊的。 所以，我需要写点代码，在电脑里面跑一下，自己才能领会到算法的真正含义。 开始讲解 那么，下面我就列举一个输入为二维的特征值，输出为一维的简单的神经网络模拟。 例如：A有两个特征值，一个特征值是他有棍子，...
【机器学习&深度学习】偏置项（Bias）概念
qq_62223405的博客
06-23 1563
偏置项不是多余的小数值，而是让模型从“死板判断”变成“灵活思考”的关键组件。
深度学习入门-09
qhqlnannan的专栏
08-28 1148
卷积操作涉及到一个称为“卷积核”或“滤波器”的小窗口，在输入数据上滑动，并对每个位置上的数据进行加权求和，可能还会加上一个偏置项。nn.LazyConvTranspose1d, nn.LazyConvTranspose2d, nn.LazyConvTranspose3d：这些是带有延迟初始化in_channels参数的转置卷积层版本。nn.LazyConv1d, nn.LazyConv2d, nn.LazyConv3d：这些是带有延迟初始化in_channels参数的卷积层版本。
深度学习02-pytorch-08-自动微分模块
weixin_41645791的博客
09-19 1102
PyTorch 的自动微分机制通过autograd实现，用户只需要将张量的设置为True，在执行反向传播时，PyTorch 会自动计算张量的梯度。通过自动构建计算图，autograd能够跟踪张量上的所有操作，动态计算梯度，极大地方便了深度学习模型的训练。
深度学习-神经网络
2301_77698138的博客
09-13 1945
本文主要介绍了神经网络部分组成，例如基本单元、网络层、偏置、权重与激活函数等组成部分。其中简述了网络层的三部分，即输入层、输出层与隐藏层，然后讲到了神经网络中的可训练参数，即偏置与权重，它们共同决定了网络的行为和性能。其次我们介绍了神经网络常用的几种激活函数，通过图像与公式为大家展示了几种激活函数的异同。最后我们为大家讲述了神经网络的优缺点，以便让大家合理的运用神经网络。
BOA算法优化深度极限学习机DELM的回归预测模型-多输入单输出、代码清晰易替换数据,一种蝴蝶优化算法优化深度极限学习机DELM中的各极限学习机中自动编码器的输入权重与偏置，建立BOA-DELM回归
01-21
BOA算法优化深度极限学习机DELM的回归预测模型——多输入单输出、代码清晰易替换数据,一种蝴蝶优化算法优化深度极限学习机DELM中的各极限学习机中自动编码器的输入权重与偏置，建立BOA-DELM回归预测模型，多输入单...
一种基于蝴蝶优化算法的BOA-DELM回归预测模型：优化输入权重与偏置实现多输入单输出模型 · 自动编码器 最新版
07-28
内容概要：本文介绍了一种基于蝴蝶优化算法（BOA）优化深度极限学习机（DELM）的回归预测模型。该模型采用多输入单输出架构，利用时间窗法进行数据处理，适用于时间序列预测任务。文中详细解释了BOA算法的工作原理，...
一种鲸鱼优化算法优化深度极限学习机DELM中的各极限学习机中自动编码器的输入权重与偏置，建立WOA-DELM回归预测模型，多输入单输出模型，时间窗法，代码注释清晰，替数据简单，只需替自己的excel或
01-09
深度极限学习机是一种有效的深度学习模型，它通过自动编码器的训练来实现数据的特征提取和维度缩减，这在处理高维数据时尤为重要。自动编码器的核心在于其编码器部分，通过学习输入数据的压缩表示来重构输入数据本身...
深度学习下载包时可能会遇到的问题及解决方案
最新发布
m0_50481455的博客
12-09 279
若确实下载安装了CUDA ，但是此时输出的CUDA是否可用为否，应该是torch的版本为cpu版本导致，刚刚的下载包的语句如果总是下载的是cpu版本，我们考虑直接去网站下指定包，再进行安装。CUDA Version表示的是驱动支持的最高 CUDA 版本，去官网下载 CUDA ，我这里是12.2，表示下载的版本最大只能是12.2。然后下载包时，比如本地环境是Python3.9，找包下载时候，3.9要下对应cp39的包。下载好后，执行语句安装。
深度学习1.4-pytorch安装
诚朴勇毅
12-05 137
PyTorch 官方提供了几种安装方法，可以通过 pip 或 conda 进行安装。
深入浅出卷积神经网络（CNN）：从LeNet到Vision Transformer的演进及其实战应用
云雾J视界的博客
12-04 983
本文系统梳理卷积神经网络从LeNet到Vision Transformer的演进脉络，聚焦“为何选用ResNet而非VGG”这一典型面试问题，揭示其背后的技术选型逻辑。文章基于CVPR、ICLR等顶会论文及MLPerf等公开基准，深入剖析四代架构——奠基（LeNet/AlexNet）、深度爆发（VGG/ResNet）、效率觉醒（MobileNet）与注意力时代（ViT/ConvNeXt）的核心创新与工程权衡。
深度学习与机器学习的3个关键区别
dream_it_come_in的博客
12-05 1145
在人工智能的浪潮中，“机器学习” 和 “深度学习” 是两个高频出现却常被混淆的概念。很多人误以为深度学习是机器学习的 “升级版”，但实际上二者在技术逻辑、适用场景和核心能力上存在本质区别。今天我们就从三个核心维度，拆解它们的关键差异，帮你快速理清 AI 技术的底层逻辑。
Transformer 能否取代 CNN？图像去噪中的新范式探索
dream_it_come_in的博客
12-08 791
引言：一场视觉任务的范式之争自 2017 年 Transformer 诞生以来，这场最初为自然语言处理设计的架构，正以不可阻挡的势头冲击计算机视觉领域。从 ViT 打破 CNN 在图像分类的垄断，到 Swin Transformer 横扫分割、检测任务，“Transformer 能否取代 CNN” 成为业界持续争论的焦点。而在图像去噪这一基础任务中，这一争论更具现实意义 ——CNN 凭借局部建模优势长期占据主导，Transformer 则以全局注意力机制带来新可能。
【风电功率预测服务】如何让风电场 nRMSE 再降 1%？——基于多源气象 + 深度学习的实战方案
专注AI大模型,软件混淆,授权
12-09 100
风电功率预测精度提升1%可带来显著经济效益。针对现有预测系统瓶颈，提出"多源气象+深度学习"的残差修正方案：通过融合多模式气象数据和SCADA信息，采用STL/VMD分解将误差拆分为多尺度分量，分别用Informer处理长期天气趋势、CNN-BiLSTM处理短期波动。实践表明，该方法可使200MW风电场nRMSE降低1-1.5个百分点，年节省考核费用达数十万元。该方案可作为预测服务提供，在不推翻现有系统基础上实现精度突破。
【农作物谷物识别系统】Python+TensorFlow+Django+人工智能+深度学习+卷积神经网络算法
子午的博客
12-05 847
农作物谷物识别系统，基于TensorFlow搭建卷积神经网络算法，通过对11种常见的谷物图片数据集（‘大米’, ‘小米’, ‘燕麦’, ‘玉米渣’, ‘红豆’, ‘绿豆’, ‘花生仁’, ‘荞麦’, ‘黄豆’, ‘黑米’, ‘黑豆’）进行训练，最后得到一个识别精度较高的模型，然后搭建Web可视化操作平台。技术栈项目前端使用Html、CSS、BootStrap搭建界面。后端基于Django处理逻辑请求基于Ajax实现前后端数据通信选题背景与意义。
深度学习Matlab工具箱：DeepLearnToolbox-master
神经网络的训练过程通常需要大量标注好的训练数据，以便网络通过反向传播算法自动调整内部参数（权重和偏置）来最小化损失函数，即降低模型预测值与真实值之间的差异。 深度学习中有多种类型的神经网络架构，如卷积...
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