qq_43475606的博客

基于pytorch的线性回归学习实例 “这是我很久前学习写的代码，代码不多但很有意义！算是记录我对AI学习多么感兴趣的一个见证吧！” 话不多说，上代码，有注释，跟着写，你也写得出来！ # 线性模型 # 使用pytorch的一般3步骤 # 1）设计模型的输入与输出和前向计算和各层的规模 # 2）选择损失函数和优化器 # 3）循环训练 # ——3.1前向计算 # ——3.2反向计算 # ——3.3更新权重 import torch import torch.nn as nn import numpy as np

使用opencv的ML模块中的ANN_MLP训练二分类检测睁眼和闭眼的5层网络 注释写的很清楚，你跟着注释写，一样可以写出来 话不多说直接上代码： #include "opencv2/opencv.hpp" #include "opencv2/ml.hpp" #include<iostream> using namespace std; using namespace cv; using namespace ml; void predict_mat(Mat img, Ptr<ANN_

前言 BP算法是人工神经网络里面对权值（w）和偏置（b）更新最常用最基础方法。 BP算法其实很简单，只不过公式复杂了一点！主要是利用链式法则求导来更新权值（w）和偏置（b）。 接下来以一个3层网络为例进行更新权值（w）和偏置（b） 正向传播： 激活函数采用Relu（） h1=Relu（x1w1+x2w3+x3w5+b1） h1=Relu（0.7207） h1=0 h2=Relu（x1w2+x2w4+x3w6+b2） h2=Relu（0.8258） h2=0 带入数值得出：h1=0，h2=0 ...