mucheng771的博客

U-Net是一种用于的深度学习模型，特别适合医学影像和其他需要分割细节的任务。

循环神经网络（RNN, Recurrent Neural Network）是一种特殊的神经网络，用于处理和分析序列数据（比如时间序列、文本、语音等）。它的特别之处在于，它能够“记住”之前的信息并用来处理当前的数据，这使得它比普通的前馈神经网络（比如卷积神经网络 CNN）更适合处理时间序列数据。很多实际问题中，当前的输入往往和之前的数据有关系，比如：语音识别：一个单词的发音会受到前后音节的影响。语言翻译：一个句子的理解不仅要看当前的词，还要结合前面的词。

卷积神经网络（CNN，Convolutional Neural Network）是深度学习中的一种神经网络，特别擅长处理图像和视频等有空间结构的数据。假设我们在做一个“照片分类”的任务，比如判断一张照片中是猫还是狗。下面用一个通俗的例子来解释CNN的工作原理。看图的方式：模拟人眼当我们看一张图片时，并不是从头到尾一口气看完的，而是我们的眼睛会专注于某个小区域，然后逐渐移到其他地方。CNN就是模仿这种“局部视野”的方式来处理图像。它通过滑动一个小窗口（称为“卷积核”）来查看图片的不同部分。卷积层（Convo

AI Studio点击链接在线学习，支持机器学习和深度学习。

变量，用于累计所有批次的损失之和，这里的train_loss是所有批次的损失之和，所以计算全部样本的平均损失时需要除以总批次数，correct是预测正确的样本总数，计算整个epoch总体正确率，需要除以样本总数量。，本质上就是对全部输入加权求和，它要求输入数据集的形状为一维的，如果使用批量运算，则增加一个batch维，也就是需要输入数据是二维的形状，第一维是batch维，第二维是数据特征，即(batch_size,feature_length)形式。最后输出 “Done!，以及模型和优化器的初始化。