- 博客(19)
- 收藏
- 关注
RSS订阅原创 吴恩达课后作业（一）：具有神经网络思维的Logistic回归
本文介绍了基于Sigmoid函数的简单神经网络实现猫图像识别的方法。主要内容包括：1）数据预处理（图像平坦化和归一化）；2）参数初始化；3）核心逻辑回归算法实现，包括Sigmoid函数、损失值计算和梯度下降；4）预测函数构建；5）模型整合与测试。最终实现了训练集70.33%和测试集34%的识别准确率。文章提供了完整的Python代码实现，展示了从数据加载到模型训练的完整流程，为学习神经网络基础提供了实践参考。
2025-09-20 11:44:10
468
原创 Inception 实现MNIST识别
本文实现了一个基于Inception模块的卷积神经网络用于MNIST手写数字识别。网络结构包含两个卷积层和两个Inception模块，通过多分支卷积结构提取特征。使用PyTorch框架实现，采用SGD优化器和交叉熵损失函数，在10个epoch的训练后，测试准确率可达99%以上。实验结果表明该网络结构能有效提升MNIST识别的性能，但运行速度较慢。文中还提供了完整的训练流程和准确率随epoch变化的可视化结果。
2025-08-13 21:11:42
185
原创 深度学习之基于卷积神经网络的手写数字识别（课后作业）
摘要： 该代码实现了一个基于PyTorch的MNIST手写数字识别卷积神经网络。主要包含数据预处理（归一化）、三卷积层网络结构定义（含ReLU激活和最大池化）、训练测试流程（使用SGD优化器和交叉熵损失函数）以及准确率可视化。代码设置了10个训练周期，每300个batch输出一次损失值，并在每个epoch结束时测试模型准确率。最后作者观察到训练过程中准确率波动较大，呈现"过山车"式的变化。程序使用GPU加速（若可用），并将训练过程中的准确率变化以折线图形式展示。
2025-08-12 22:36:48
153
原创 深度学习之基于卷积网络神经的手写数字识别
本文实现了一个基于PyTorch的MNIST手写数字识别卷积神经网络模型。使用包含两个卷积层、池化层和全连接层的网络结构，通过SGD优化器进行训练。代码中修正了forward拼写错误，并添加了GPU支持。训练过程显示每300批次的损失值，测试阶段计算模型准确率。最终绘制了10个训练周期内测试准确率的变化曲线，直观展示了模型性能随训练轮次的提升情况。该实现完整展示了从数据加载、模型构建到训练测试的深度学习流程。
2025-08-07 11:00:13
266
原创 深度学习之处理多维特征的输入
该代码实现了一个基于PyTorch的三层神经网络，用于糖尿病数据集二分类任务。模型结构为8-6-4-1，前两层使用ReLU激活函数，输出层使用Sigmoid。采用SGD优化器和BCELoss损失函数，训练1000个epoch后绘制了损失下降曲线。数据集从CSV文件加载，包含8个特征和1个二元标签。训练过程中记录了每个epoch的损失值，最终可视化展示了训练过程中损失的变化趋势。
2025-08-04 09:56:14
162
原创 深度学习之Logistic回归
本文演示了使用PyTorch实现逻辑回归模型的过程。主要内容包括：1）准备二分类训练数据；2）构建包含线性层和Sigmoid激活函数的模型；3）使用二元交叉熵损失和SGD优化器；4）进行1000次训练迭代；5）可视化预测结果，绘制概率曲线和0.5决策边界。代码展示了逻辑回归从数据准备到模型训练、评估的完整流程。
2025-08-02 22:19:38
220
原创 深度学习之使用pytorch框架实现简单的线性模型
本文使用PyTorch框架实现线性回归模型。主要步骤包括：1）准备数据集，将x和y数据转换为tensor；2）设计LinearModel类作为学习模型；3）构建MSE损失函数和SGD优化器；4）进行1000轮训练，每轮计算预测值、损失函数，并更新参数。最后测试了一个新样本x=4.0的预测结果，并绘制了权重w与损失值的变化关系图。该实现展示了PyTorch进行线性回归的标准流程，包括前向传播、反向传播和参数更新等关键步骤。
2025-08-01 09:52:34
196
原创 深度学习之反向传播算法
本文展示了神经网络反向传播的PyTorch实现代码。该代码创建了一个简单的线性回归模型，使用均方误差损失函数，通过100次迭代训练权重w。训练过程中记录了权重变化和MSE损失值，并最终可视化这两个指标的变化曲线。代码首先定义训练数据x_data和y_data，初始化权重w并设置可求导。在每次迭代中计算损失、执行反向传播、更新权重并清零梯度。训练后预测x=4时的输出，并绘制权重和损失随训练轮次的变化曲线，直观展示了模型的学习过程。
2025-07-30 10:21:40
194
原创 深度学习之简单的梯度下降模型
机器学习中的梯度下降示例：通过PyTorch实现线性回归训练。代码展示了一个简单线性模型y=w*x的训练过程，使用均方误差(MSE)作为损失函数。关键步骤包括：1) 前向计算预测值；2) 计算损失函数；3) 计算梯度；4) 更新权重w（学习率0.05）。训练70轮后，权重从初始值1.0逐渐接近理想值2.0，预测x=4时的结果从4.0提升到接近8.0。附图展示了权重w与损失函数值的变化关系曲线，验证了梯度下降算法的有效性。
2025-07-29 10:18:02
313
原创 深度学习之简单的线性回归模型
本文通过构建简单的线性回归模型y=w*x，使用给定的数据点(x_data,y_data)进行拟合。采用均方误差(MSE)作为评估指标，计算不同权重w值(0.0-4.0,步长0.1)下的损失值，并绘制损失曲线。结果显示最优权重w=2.0时MSE最小，表明该模型能完美拟合给定数据。
2025-07-28 15:35:31
116
原创 深度学习之简单的DNN实现
本文介绍了深度神经网络（DNN）的基本原理和实现流程。主要内容包括：1）DNN通过样本学习输入输出特征关系；2）实现步骤：数据生成（随机数X1-X3及对应Y1-Y3）、数据集划分（70%训练）、网络构建（4层全连接结构）、参数设置（MSE损失函数+SGD优化器）；3）训练过程（1000次迭代）及测试结果（准确率约67%）；4）模型保存与重载验证。所有操作均使用PyTorch在GPU上完成，并提供了完整的代码实现流程。
2025-07-25 11:16:42
473
3
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