- 博客(14)
- 收藏
- 关注
RSS订阅原创 基于PyTorch的深度学习基础课程之九：分类模型评价指标（3|3）
本文详细讨论了分类模型的常用评价指标，包括准确率、平均准确率、混淆矩阵、精确率、召回率、F1值和AUC等。对这些指标含义的理解和运用，尤其是在不平衡样本数据集上的应用，是设计恰当模型和指导AI大模型调整模型需要掌握的知识。对这些指标的讨论采用了示例入手、逐步推进的方式，便于读者理解。
2025-12-10 18:55:15
476
原创 基于PyTorch的深度学习基础课程之九：分类模型评价指标（2|3）
本文详细讨论了分类模型的常用评价指标，包括准确率、平均准确率、混淆矩阵、精确率、召回率、F1值和AUC等。对这些指标含义的理解和运用，尤其是在不平衡样本数据集上的应用，是设计恰当模型和指导AI大模型调整模型需要掌握的知识。对这些指标的讨论采用了示例入手、逐步推进的方式，便于读者理解。
2025-12-10 18:54:44
729
原创 基于PyTorch的深度学习基础课程之九：分类模型评价指标（1|3）
本文详细讨论了分类模型的常用评价指标，包括准确率、平均准确率、混淆矩阵、精确率、召回率、F1值和AUC等。对这些指标含义的理解和运用，尤其是在不平衡样本数据集上的应用，是设计恰当模型和指导AI大模型调整模型需要掌握的知识。对这些指标的讨论采用了示例入手、逐步推进的方式，便于读者理解。
2025-12-10 18:54:04
481
原创 基于PyTorch的深度学习基础课程之八：激活函数
本文介绍了深度学习中常用的激活函数（ReLU、Softplus、tanh、Softmax）及其数学定义与特性，并通过MNIST手写数字识别实验比较不同激活函数的效果。实验使用PyTorch框架构建全连接神经网络，采用交叉熵损失函数和SGD优化器进行训练。结果显示，不同激活函数在训练准确率上存在较大差异。文中提供了完整的代码实现，展示了从数据预处理到模型训练的全过程，为理解激活函数的实际应用提供了参考示例。
2025-12-07 18:44:12
583
原创 基于PyTorch的深度学习基础课程之七：过拟合及其抑止（2|2）
本文对深度学习中的过拟合问题进行了探讨，详细分析了过拟合的概念和原因，并给出了深度学习中抑制过拟合的常用方法。本文通过详细示例来解释概念、分析原因、提供参考解决方法。本文最后附有全部示例代码，读者可下载后自行试验。
2025-12-06 11:02:48
549
原创 基于PyTorch的深度学习基础课程之七：过拟合及其抑止（1|2）
本文对深度学习中的过拟合问题进行了探讨，详细分析了过拟合的概念和原因，并给出了深度学习中抑制过拟合的常用方法。本文通过详细示例来解释概念、分析原因、提供参考解决方法。本文最后附有全部示例代码，读者可下载后自行试验。
2025-12-06 11:02:23
668
原创 基于PyTorch的深度学习基础课程之六：全连接层神经网络
本文介绍了神经网络中的全连接层及其实现方法。全连接层是神经网络的基本结构，每个节点都与前一层所有节点相连，通过权重和阈值参数进行信息处理。文章详细说明了全连接层的数学表达式，并展示了如何在PyTorch中实现全连接层网络。通过一个异或运算的示例，演示了使用PyTorch构建、训练和评估全连接网络的过程。还示例了全连接层在分类中的应用，对本专栏第二篇文章中的示例进行了详细说明。
2025-12-04 21:38:44
609
原创 基于PyTorch的深度学习基础课程之五：误差反向传播学习算法（2|2）
本文详细介绍了误差反向传播(BP)算法。首先通过异或运算神经网络示例详细展示了BP算法的具体计算过程，包括前向传播预测和反向传播学习两个阶段，方便读者理解，然后给出了BP算法的形式化表述，最后，通过PyTorch实现线性回归模型的示例，展示了深度学习框架如何简化BP算法的应用。文中包含完整的数学推导和Python代码实现，验证了BP算法在参数优化中的有效性，为神经网络训练提供了重要理论基础和实践指导。文章还讨论了独热编码方法。
2025-12-01 18:35:21
671
原创 基于PyTorch的深度学习基础课程之五：误差反向传播学习算法（1|2）
摘要：本文详细介绍了误差反向传播(BP)算法。首先通过异或运算神经网络示例详细展示了BP算法的具体计算过程，包括前向传播预测和反向传播学习两个阶段，方便读者理解，然后给出了BP算法的形式化表述，最后，通过PyTorch实现线性回归模型的示例，展示了深度学习框架如何简化BP算法的应用。文中包含完整的数学推导和Python代码实现，验证了BP算法在参数优化中的有效性，为神经网络训练提供了重要理论基础和实践指导。文章还讨论了独热编码方法。
2025-12-01 18:34:50
730
原创 基于PyTorch的深度学习基础课程之四：梯度下降法
本文阐述了最优化理论的基本概念及其在机器学习中的作用，重点讲解了梯度下降法的基本原理，分析了梯度下降法应用中的关键问题，通过具体示例展示了梯度下降法在方程求解中的应用，最后介绍了随机梯度下降法和批梯度下降法两种改进方法。文章结合数学推导和Python代码实现，以及PyTorch提供的应用工具，全面展示了梯度下降法的理论框架和实践应用。
2025-11-29 20:11:11
899
原创 基于PyTorch的深度学习基础课程之三：神经元、神经网络、损失函数和迭代法
本文首先介绍了M-P神经元模型，该模型模拟生物神经元的信息处理过程，通过加权求和与激活函数实现线性分类。文章指出单个神经元具有线性分类能力，但通过组合成网络可获得非线性处理能力，并以逻辑运算为例展示了神经网络如何解决线性不可分问题。文中还讨论了层状神经网络的结构特点，包括前馈型和反馈型网络的区别。损失函数用于量化模型预测误差。通过最小化损失函数来优化模型参数。迭代法是一种逐步逼近最优解的优化方法，它是通过计算机求解的基本方法，研究迭代法将为后文讨论在机器学习领域占有极重要地位的梯度下降法奠定基础。
2025-11-29 20:10:14
628
原创 基于PyTorch的深度学习基础课程之二：应用示例与深度学习概要
本文以手写数字识别为例，介绍了深度学习的应用流程，并对应用流程中的关键问题进行了说明，包括：训练数据和测试数据、数据预处理、模型建立和应用等，最后简要说明了深度学习的分类。
2025-11-29 20:09:25
659
原创 基于PyTorch的深度学习基础课程之一：基本概念与运行环境安装
本文介绍了机器学习和深度学习的发展历程，以及Python环境搭建与深度学习开发工具配置的完整流程。主要内容包括：1）机器学习与深度学习的发展；2）Python 3.10.11版本的安装；3）深度学习常用的扩展库；4）虚拟环境的概念与创建；5）两种开发环境的使用方法：Spyder IDE适合调试和代码跟踪，Jupyter Notebook适合交互式开发和文档展示；6）张量的概念及其操作的初步演示。张量是深度学习应用中最基本的数据结构。
2025-11-29 20:08:03
867
1
原创 Python List 包含关系判定
Python List 包含关系判定网上没找到合适的代码来判断一个list是否完全包含另一个list，自已写了一个函数。## 比较两个列表A和B是否A包含于B，可以比较有间隔的列表def allin(A, B): A.sort() B.sort() if len(A) > len(B): return False k = 0 for i in r...
2019-02-10 09:21:39
3011
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人