Cloud的专栏

前面章节我们讲解了单层神经网络的正向传播，今天讲讲深层神经网络的正向传播。通过前面的例子我们可以看到所谓单层神经网络正向传播就是通过torch.nn.Linear把输入转输出，那多层也很简单，就是把第一层的输出作为第二层的输入，以此传播下去。而中间的那些层统称为隐藏层。但是如果简单的用torch.nn.Linear来处理输入输出，那深层神经网络就跟单层的没啥区别了，只能处理线性问题，这时就要轮到激活函数登场了。激活函数就是前面章节提到的分类函数，它在隐藏层每次输入前处理下数据，会有神奇的功效。

上一篇我们讲到房价的预测，那如何进行分类的预测呢？比如判断一个人的信用是好还是不好，就是典型的二分类问题，手写数字识别，识别0到9就是多分类问题。我们知道，神经网络里面输出的都是数字，二分类问题就是把这些数字转成0或1,多分类问题就是把这些数字转成0到N这个时候我们就需要用一个函数来把输出值做映射了,下图是sigmoid函数，可以把值z映射成0或1import torchtorch.random.manual_seed(420) #人为设置随机数种子X = torch.te.

首先我们来看下单层神经网络的结构由于业内共识输入层不算层数，所以这是一个单层的神经网络整张图对应的数学公式如下，我们知道不管是机器学习还是深度学习，主要的功能是做预测，比如我们要预测房价,有一组数据，是面积90平，房间数3,只要让90*w1+3*w2 +b就能做预测了,b是偏置，可以不要。如果让w1为100,w2为200,b为0则预测出房价为9600,我们先不管机器预测的准不准，至少它预测出来了，那为啥要用下面一堆恐怖的线性代数来表示这么简单的算法呢，主要是机器做预测都是成百上千组数据，用线性代

深度学习框架一般有两个版本,CPU和GPU，GPU版本只支持N卡,需要安装CUDA,这篇主要讲下GPU版本的安装PC环境需要显卡是N卡，windows操作系统需要win10专业或企业版第一步 安装python环境去这个网站anaconda | 镜像站使用帮助 | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror下载最新的anaconda安装包安装即可第二步 安装CUDA环境打开nvidia控制面板-系统信息-组件看NVCUDA.DLL支持的CUDA最高版

前言上一篇中我们经过调参，把红酒数据集的准确率从88%调到94%,还算不错的成绩，但这个模型的准确率真有这么高么？我们知道决策树有擅长和不擅长的数据集，它擅长的是对半分型数据，不擅长环形数据，而训练集是随机抽取的，有没有可能正好抽取到决策树擅长的数据导致分数虚高呢？如果更准确的评估模型的效果呢？这就是这次要讲的主角--交叉验证交叉验证既然随机抽取一次不可靠，那我们就把数据分成5份，第一次第一份作为测试集，剩下4份作为训练集，第二次第二份作为测试集，剩下的作为训练集，以此类推，这样就能准确评估

前言上一篇中介绍了决策树模型的基本使用，这篇来讲解下如何调参。首先我们来谈谈如何提升预测的准确性，第一步当然是选择正确的模型了，在学习机器学习算法的过程中，我们需要知道每个模型的特点，它擅长什么样的数据集，不擅长什么样的数据集，但有时候我们对数据集的分布并不是很清楚，这个时候就需要一个个尝试了。第二步就是特征工程，sklearn当中的数据集往往很完美，没有缺失数据，但现实中的数据集有很多的问题，需要对数据做一定的处理才能使用，有些高手甚至能从已有特征中创建出新的特征，特征工程的掌握程度是区别

前言当前最火爆的人工智能技术应该就是深度学习技术了，有了深度学习，为什么还要使用传统的机器学习技术呢？主要原因，当然是深度学习的成本太高了。深度学习技术需要大量的GPU资源，现在的GPU多贵就不用说了，并且需要大量的数据来喂养，如果数据不足，效果还不如传统的机器学习。深度学习技术最大的优点就是效果出色，如果是计算机视觉，自然语言处理，自动驾驶等领域，肯定首选深度学习技术，如果是其他的分类和回归应用，完全可以考虑用机器学习算法来实现，毕竟现在有了集成算法和模型融合，机器学习的效果也很好。环境安装