25、深度学习：从基础到应用的全面解析

深度学习：从基础到应用的全面解析

1. 决策边界可视化

在二维玩具数据集的实验中，我们可以可视化决策边界。借助NumPy的 linspace() 和 meshgrid() 函数，能生成输入的横坐标和纵坐标值范围，并将它们充分组合。以下是具体代码：

xx, yy = np.meshgrid(x_range, y_range)
xy = np.stack([np.ravel(xx), np.ravel(yy)], axis=1)
zz = model.predict(xy)
zz = zz.reshape(xx.shape)

接着，将这些组合传递给神经网络进行评估，得到预测向量。最后，将结果以等高线图的形式呈现，并与原始数据点的散点图相结合：

cmap_rb = plt.get_cmap('RdBu')
fig, ax = plt.subplots(dpi=90)
ax.contourf(xx, yy, zz, cmap=cmap_rb,
            alpha=0.3, levels=3)
ax.scatter(coord[:,0], coord[:,1],
           s=25, c=cl, cmap=cmap_set1)
plt.show()

若要将此方法应用于其他机器学习算法，可对上述两段代码进行调整和使用。

2. 深度学习简介

反向传播之后，神经网络的下