李宏毅教授调参课程笔记总结

最新推荐文章于 2022-11-22 16:31:07 发布
原创 最新推荐文章于 2022-11-22 16:31:07 发布 · 190 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#调参 #笔记总结

探讨了在机器学习中效果相近的超参数组合及基于模型的超参数优化策略，涉及利用回归模型寻找最佳配置，提出了使用RNN设计CNN架构以提高准确性，以及激活函数与学习率的选择。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Hyperparameters Tuning

 

效果好的几组参数可能效果差别不大

 

Model-based Hyperparameter Optimization

  • 根据采样数据构建一个回归模型
  • 寻找一个置信度大且准确率高的点，但同时需要进行一定程度的探索

很大程度决定于回归模型的好坏

 

可以将回归模型改为RNN，输出即为CNN的架构，再用CNN的accuracy作为回报，努力使得RNN设计出的架构能得到更大的回报

 

决定激活函数：使其输出应该使用哪个unary函数

 

决定learning rate：

《Neural Network and Deep Learning》学习笔记-hyper-parameters
tina的博客
06-07 5862
本系列笔记为《Neural Network and Deep Learning》学习笔记本系列笔记汇总 各种待续中…… 第一章 第二章 第三章 Improving the way neural networks learn 3.1 交叉熵代价函数 3.2 正则化方法 3.3 权值初始化 3.4 hyper-parameters选取 3.5 一些其他技术 第四章 可视化
李宏毅教授A3C课程笔记总结
weixin_42825220的博客
07-25 739
A3C (Asynchronous Advantage Actor-Critic) 远优于DQN Alpha go用到了model-based的方法 On-policy：学习的agent和与环境互动的agent是同一个 Off-policy：学习的agent和与环境互动的agent是不同的 注意学习的agent和交互的agent之间的差别不能太大 Actor：是一...
【李宏毅机器学习学习1】
Raphael9900的博客
11-22 880
概念描述和方程分析
李宏毅2022《机器学习/深度学习》——学习笔记（2）
dotJunz的博客
10-05 741
机器学习模型中一般有两类参数：一类需要从数据中学习和估计得到，称为模型参数（Parameter）—即模型本身的参数。还有一类则是机器学习算法中的调优参数（tuning parameters），需要人为设定，称为超参数（Hyperparameter）。这里引入了新的概念 batch，将总的训练集随机划分成一个个 batch，用每一个 batch 计算一个 Loss，计算梯度，更新一次。激活函数可以嵌套，把上一层激活函数的结果作为下一层激活函数的输入，这样函数的未知参数就会更多了，模型也更加复杂。
李宏毅：Tuning Hyperparameters（超参数）
jiaojiaolou的博客
05-25 1195
1、grid search vs random search 有时候random search的方法还是不错的，因为top k的结果已经相差不大。所以没有必要扫过所有的参数组合，只要取前k名的其中一个结果就好了。 有sample到K的几率： 2、model-based hyperparameter optimization 不一定好用 3、reinforcement learni...
【机器学习】李宏毅机器学习-Keras-Demo-神经网络手写数字识别与调参
weixin_30756499的博客
04-30 439
参考： 原视频：李宏毅机器学习-Keras-Demo 调参博文1：深度学习入门实践_十行搭建手写数字识别神经网络 调参博文2：手写数字识别---demo（有小错误） 代码链接： 编程环境： 操作系统：win7 - CPU anaconda-Python3-jupyter notebook tersonFlow：1.10.0 Keras：2.2.4 背景： 视频里宝可梦大师提供的部分参数设...
李宏毅教授GAN课程笔记总结
weixin_42825220的博客
07-25 860
GAN 参考文献： 受限玻尔兹曼机也是生成模型 自编码机： 所学得的NN Decoder可以将一个任意生成的向量生成为一张图片 VAE(Variational Auto-Encoder)变分自编码器： 为了不使σ 为0，因此加入限制： 目的是为了使得m越接近0越好，相当于L2的正则化，而前一项也越接近0越好 缺点：没有真正去模拟一张图片，无法达到和...
李宏毅教授Batch Normalization课程笔记总结
weixin_42825220的博客
07-25 573
Batch Normalization Feature Scaling/Feature Normalization/Feature Standardization 如果斜率差别大，那么不同方向上需要不同的learning rate，经过feature normalization后，error surface接近正圆形，使得训练更容易 计算过程： 在神经网...
李宏毅教授Policy Gradient课程笔记总结
weixin_42825220的博客
07-26 656
Policy gradient： 求解梯度trick： ∇fx=f(x)∇logf(x) Tip1：将回报值的期望作为基线，使得每次计算的回报有正负区别 Tip2：不将整场游戏得到的reward作为权重，为每个动作分配应有的权重，权重即为从当前时间t开始所有reward的累加 改进：增加折扣 On-policy：所学习的agent和用于环境交互的agent是同一个...
李宏毅教授Capsule课程笔记总结
weixin_42825220的博客
07-25 533
Capsule 取代neuron neuron输出一个值，capsule输出一个向量 neuron只能检测某一特定的模式，capsule可以检测一类模式 其中向量v的每一维代表模式的一个特性 Squash相当于进行挤压，只会改变长度而不会改变方向 c1 和c2 不是学出来的，而是由测试阶段决定的 有点像排除离群点 训练的时候还是需要后向传播 NN是用...
《李宏毅机器学习课程详细笔记整理》
06-18
李宏毅教授的台湾大学2017年版《机器学习》课程被整理成了详细笔记并制作成PDF文档，供人学习分享。这份笔记内容丰富，涵盖了监督学习、非监督学习、深度学习、强化学习等多个重要领域，还涉及多种学习模型和算法的...
李宏毅教授Attention课程笔记总结
weixin_42825220的博客
07-25 1575
Generation 可以用RNN生成文本、图片(grid lstm)、视频、手写字、语音 *grid lstm Conditional generation：不是随机产生，而是有情境地产生 应用：image caption/machine translation/chat-bot Encoder和Decoder的参数可以一样或者不一样，当参数一样时，参数比较少，比较不容...
⭐李宏毅DNN笔记---超参数调节
⛄
11-23 2406
深度学习步骤： 训练后结果判断： 超参数调节方法：
750W高PF值充电机电源方案：基于UCC28070、ST6599和PIC16F193X的设计与实现
08-08
750W高功率因数（PF）充电机电源设计方案，采用TI公司的UCC28070作为交错式PFC控制器，ST公司ST6599用于LLC谐振变换，以及Microchip的PIC16F193X作为主控芯片。文中不仅提供了详细的原理图、设计文件和烧录程序，还分享了实际调试经验和技术细节。具体来说，PFC环节通过优化乘法器补偿和电流环参数实现了极高的PF值；LLC部分则着重于死区时间和谐振腔参数的精确配置；单片机部分负责状态管理和故障保护等功能。最终方案实测效率达到94%，相比传统方案节能显著。 适合人群：电力电子工程师、硬件开发者、嵌入式系统设计师，特别是对高效电源设计感兴趣的读者。 使用场景及目标：适用于需要设计高性能、高效率充电机的企业和个人开发者。目标是在满足高功率因数的同时，提高转换效率并降低能耗。 其他说明：附带完整的原理图、设计文件和烧录程序，有助于读者快速上手并进行实际项目开发。同时引用了华南理工大学硕士学位论文的相关理论支持，使方案更具权威性和可靠性。
JAVA控制台命令详解.pdf
08-08
JAVA控制台命令详解
远程PLC通讯编程调试监控方案：基于安全验证型中转服务器的云边协同解决方案
08-08
内容概要：本文介绍了远程PLC通讯编程调试监控方案，旨在解决传统PLC设备调试和维护过程中遇到的距离限制和技术支持难题。该方案采用安全验证型中转服务器，支持自定义网络设备接入，实现上千路PLC设备的并发对接调试。通过云边协同技术，实现了远程编程、实时监控和故障诊断等功能，极大提升了工作效率和设备稳定性。文中详细阐述了方案的核心——安全验证型中转服务器的工作原理及其提供的服务器和客户端源代码，强调了每个通信数据包均经过严格加密和验证，确保数据传输的安全性。此外，文章还探讨了云边协同带来的优势以及代码编写过程中的技术挑战和成就感。 适合人群：从事工业自动化领域的工程师、技术人员，尤其是那些负责PLC设备调试和维护的专业人士。 使用场景及目标：适用于需要远程调试和监控PLC设备的场合，如偏远地区的工程项目、大型制造企业等。主要目标是提高PLC设备的调试效率，减少现场维护成本，增强设备的可靠性和安全性。 其他说明：该方案不仅解决了实际工程中的痛点，也为工程师们提供了更多技术探索的机会，特别是关于云边协同技术和安全验证机制的学习和实践。
L-noodle-react-big-screen-13768-1753357219888.zip
最新发布
08-08
cursor免费次数用完L-noodle_react-big-screen_13768_1753357219888.zip
鸿蒙中使用tree代码文件
08-08
测试数据
JAVA开发应掌握的LINUX常用命令.pdf
08-08
JAVA开发应掌握的LINUX常用命令
李宏毅2017机器学习课程个人笔记详解
李宏毅机器学习2017课程的笔记反映了课程的知识点分布，通常包括以下内容：线性回归、逻辑回归、支持向量机、决策树、随机森林、神经网络、深度学习、卷积神经网络（CNN）、循环神经网络（RNN）、强化学习等。...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值