<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[smymman的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/smymman</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; smymman]]></copyright><item><title><![CDATA[反向传播。]]></title><link>https://blog.youkuaiyun.com/smymman/article/details/136992339</link><guid>https://blog.youkuaiyun.com/smymman/article/details/136992339</guid><author>smymman</author><pubDate>Sun, 24 Mar 2024 18:52:59 +0800</pubDate><description><![CDATA[反向传播要求有对每个输入值期望得到的已知输出，来计算损失函数的梯度。因此，它通常被认为是一种监督式学习方法，虽然它也用在一些无监督网络（如自动编码器）中。它是多层前馈网络的Delta规则的推广，可以用链式法则对每层迭代计算梯度。反向传播要求人工神经元（或“节点”）的激励函数可微。BP算法是“误差反向传播”的简称，是一种与最优化方法（如梯度下降法）结合使用的，用来训练人工神经网络的常见方法。反向传播算法主要由两个环节(激励传播、权重更新)反复循环迭代，直到网络的对输入的响应达到预定的目标范围为止。]]></description><category></category></item><item><title><![CDATA[逻辑回归与线性回归（Pytorch）]]></title><link>https://blog.youkuaiyun.com/smymman/article/details/136991760</link><guid>https://blog.youkuaiyun.com/smymman/article/details/136991760</guid><author>smymman</author><pubDate>Sun, 24 Mar 2024 18:28:39 +0800</pubDate><description><![CDATA[逻辑回归是一种常用的分类算法，用于预测二分类问题。它基于线性回归模型，通过将线性回归的结果映射到一个概率值来进行分类。逻辑回归的基本原理是使用sigmoid函数（也称为逻辑函数）将线性回归的结果转换为概率值。sigmoid函数的公式为：f(x) = 1 / (1 + e^(-x))，其中x为线性回归的结果。sigmoid函数的取值范围在0到1之间，可以表示为样本属于某个类别的概率。逻辑回归的训练过程是通过最大似然估计来确定模型的参数。]]></description><category></category></item><item><title><![CDATA[监督学习与非监督学习]]></title><link>https://blog.youkuaiyun.com/smymman/article/details/136560833</link><guid>https://blog.youkuaiyun.com/smymman/article/details/136560833</guid><author>smymman</author><pubDate>Fri, 08 Mar 2024 16:36:00 +0800</pubDate><description><![CDATA[损失函数，]]></description><category></category></item><item><title><![CDATA[机器学习基础知识]]></title><link>https://blog.youkuaiyun.com/smymman/article/details/136545021</link><guid>https://blog.youkuaiyun.com/smymman/article/details/136545021</guid><author>smymman</author><pubDate>Thu, 07 Mar 2024 21:22:27 +0800</pubDate><description><![CDATA[正则化的核心思想是在模型训练过程中，通过对模型参数施加一定的限制，以减少模型对训练数据的过度拟合，从而提高模型在未知数据上的泛化能力。采取应对方法：- 移除特征，降低模型的复杂度：减少神经元的个数，减少隐藏层的层数 - 训练集增加更多的数据 - 重新清洗数据 - 数据增强 - 正则化 早停。聚类分析的目的是将数据集中的样本划分为多个组或“簇”，使得同一个簇内的样本相似度高，而不同簇的样本相似度低。验证集评估出来的效果并非模型的最终效果，主要是用来调整超参数的，模型最终效果以测试集的评估结果为准。]]></description><category></category></item><item><title><![CDATA[深度学习2总结（笔记）Caffe，TensorFlow，PyTorch框架]]></title><link>https://blog.youkuaiyun.com/smymman/article/details/136534205</link><guid>https://blog.youkuaiyun.com/smymman/article/details/136534205</guid><author>smymman</author><pubDate>Thu, 07 Mar 2024 20:18:10 +0800</pubDate><description><![CDATA[3.1Cafe 是一种对新手非常友好的深度学习框架，它的相应优化都是以文本形式而非代码形式给出。Cafe中的网络都是有向无环图的集合，可以直接定义。有向无环图：若一个有向图中不存在环，则称为有向无环图，简称为DAG图。图3.1.1 有向无环图3.2数据及其导数以blob的形式在层间流动，Cafe层的定义由两部分组成:层属性与层参数。Caffe使用blob存储、交换、操纵这些信息。blob是整个框架的标准的数组结构和统一存储接口。]]></description><category></category></item><item><title><![CDATA[深度学习！]]></title><link>https://blog.youkuaiyun.com/smymman/article/details/136434248</link><guid>https://blog.youkuaiyun.com/smymman/article/details/136434248</guid><author>smymman</author><pubDate>Sun, 03 Mar 2024 19:58:57 +0800</pubDate><description><![CDATA[卷积神经网络是一种对人脑比较精准的模拟。CNN是一类具有卷积计算功能的深度前馈神经网络，它通过多层的卷积层、池化层和全连接层来逐层提取图像的特征。这种网络结构具有局部感受野、权值共享和池化等特点，这些特点使得CNN在处理大尺寸图像时既高效又有效。3.2卷积就是两个函数之间的相互关系。在计算机视觉里面，可以把卷积当作一个抽象的过程，就是把小区域内的信息统计抽象出来。]]></description><category></category></item></channel></rss>