- 博客(10)
- 收藏
- 关注
RSS订阅原创 Day09 Python Study（深度学习-模型调参）
衰退率：在模型训练过程中通过惩罚模型参数的大小来防止过拟合。衰退率主要用于控制模型的复杂性，防止模型过度拟合训练数据，并提高模型的泛化能力。batch_size:小批量，梯度更新较为频繁，容易跳出局部最优解，可能导致更好的泛化性，还能有效防止过拟合。常用的初始化方法包括 Xavier 初始化、He 初始化、正态分布初始化等。学习率：并不是学习率越低就越精确，其实当学习率过低时，容易陷入局部最优解。所以要选择适当的学习率。的功能，可以通过定义一个权重初始化函数，然后在模型创建后对模型的参数进行初始化。
2024-10-15 19:56:47
218
原创 Day08 Python Study(pytorch)
print("训练次数：{}，Loss: {}".format(total_train_step, loss.item()))print("整体测试集正确率{}".format(total_accuracy/test_data_size))model.load_state_dict(torch.load("tudui_9.pth")) # 加载权重。print("总体loss有多少：{}".format(total_test_loss ))print("第几轮训练开始{}".format(i+1))
2024-10-14 19:57:19
1493
原创 Day07 Python Study(深度学习）
在使用一些经典网络时，我们通常可以保证网络的基本结构不变，只需要对参数进行微调，并且根据最后结果改变最后一层结构。三维卷积神经网络，n*n*v 过滤器为f*f*v，结果为n-f+1，而且当想同时实现两个或多个维度的边界检测时，可以设置多个过滤器。卷积步长，当原始矩阵为n*n，过滤器为f*f,s为步长，p为扩充列数，那么(n+2p-f)/s+1。卷积网络中，可以把过滤器看成W，把原始矩阵信息看成x，把结果信息看成z,然后再经过激活函数进行下一层的结果。参数的计算公式为过滤器矩阵的平方+1乘以过滤器个数。
2024-10-08 22:08:41
327
原创 Day06 Python Study(吴恩达深度学习-＞75)
d.Adam优化算法。4.数据归一化分为三种1.最大最小归一化，Z-score 归一化，范数归一化。3.过拟合可以通过L2正则化，L1正则化进行调试，dropout正则化。6.神经网络优化算法：a.Mini-batch 梯度下降算法。,隐藏层数，mini-hiden size，学习率衰减。5.神经网络权重初始化公式，不同激活函数，初始化不同。8.学习率衰减，就是在运算层数过程中，学习率不断缩减。2.欠拟合通常需要改变网络，改变方法，或者增加数据集。7.参数调整：学习率，β1，β2，
2024-10-05 23:49:14
194
原创 Day 05 Python Study(吴恩达深度学习）
这是编程作业的答案：https://blog.youkuaiyun.com/u013733326/article/details/79827273。然后再进行(L-1)次的激活，L为神经网络隐藏层数，然后再进行最后一步对输出层的影响。链接：https://pan.baidu.com/s/1loWZxPn9wJGiZ0FIvZn8rw。这是吴恩达deep learning的编程作业（含quiz）和黄博士写的配套课本（笔记）复制这段内容后打开百度网盘手机App，操作更方便哦--来自百度网盘超级会员V6的分享。
2024-10-04 23:56:26
981
原创 Day 04 Python Study (吴恩达深度学习 1-30节）
1.tensor 张量 operation(op):专门运算的操作节点 图：整个程序的结构。4.向量化函数，可以怎见运算速率，例如 np.sum,np.dot(),用于减少遍历函数。3.激活函数，relu() &（）6.随机初始化参数，可以避免一直重复。2.输入层，隐藏层，输出层。5.梯度下降函数的实现。
2024-10-03 22:53:39
140
原创 Day 03 Python Study(数据分析）
1.np.reshape(a,b)重塑数组大小维度np.loadtxt(frame(文件路径),dtype(文件类型）,delimiter（分隔符）,skiprows（跳过几行）,usecols（作用列）,unpack（是否将属性写入不同数组）)print(t2.describe()) #数组的一些值，比如标准差，均值等pd.join 按行进行合并，print(t2.info()) #数组信息。
2024-10-02 23:27:56
682
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人