- 博客(5)
- 收藏
- 关注
RSS订阅原创 [动手学深度学习PyTorch5]
一 卷积神经网络二维卷积层常用于图像处理。二维互相关运算是按元素相乘求和。由于卷积层的核数组是可学习的，所以使用互相关运算与使用卷积运算并无本质区别。二维卷积层将输入和卷积核做互相关运算，并加上一个标量偏置来得到输出。卷积层的模型参数包括卷积核和标量偏置。多输入通道和多输出通道卷积层的输入和输出都可以包含多个通道池化池化层主要用于缓解卷积层对位置的过度敏感性。同卷积层一样，池化层每次对...
2020-02-19 21:34:10
157
原创 [动手学深度学习PyTorch笔记四]
一 机器翻译及相关技术机器翻译（MT）：将一段文本从一种语言自动翻译为另一种语言，用神经网络解决这个问题通常称为神经机器翻译（NMT）。 主要特征：输出是单词序列而不是单个单词。 输出序列的长度可能与源序列的长度不同。首先进行数据预处理，将数据集清洗、转化为神经网络的输入的minbatch，包括分词、建立字典、载入数据集。Encoder-Decoder一种通用模型框架。Encoder：编码...
2020-02-19 20:54:16
293
1
原创 [动手学深度学习PyTorch笔记三]
一 过拟合、欠拟合及其解决方案欠拟合（underfitting）： 一类是模型无法得到较低的训练误差，我们将这一现象称作过拟合（overfitting）：模型的训练误差远小于它在测试数据集上的误差，我们称该现象为。在实践中，我们要尽可能同时应对欠拟合和过拟合。两个主要影响因素：模型复杂度和训练数据集大小。模型复杂度过低会导致欠拟合，过高则导致过拟合，训练数据集过小容易发生过拟合。因此需选取适...
2020-02-18 20:18:55
342
原创 [动手学深度学习PyTorch笔记2]文本预处理、语言模型、循环神经网络
一、文本预处理文本可以看作是字符或单词的一种序列数据。对文本的预处理包括：1.读入文本2.分词：对每个句子进行分词，将句子划分成若干个词（token），转换为一个词的序列。现有的分词工具有：spaCy和NLTK。3.建立字典：每个词映射到一个唯一的索引（index），从而将字符串转换为数字。4.将文本从词的序列转换为索引（数字）的序列，方便输入模型二、语言模型一段自然语言文本可以看作...
2020-02-14 18:28:41
268
原创 [动手学深度学习PyTorch笔记1]线性回归、分类模型、多层感知机
//本系列内容为动手学深度学习PyTorch版的学习笔记，内容参考伯禹教育平台线性回归要素模型：线性模型大部分是线性判别模型，判别模型也称为条件模型，是建模预测变量和观测变量之间的关系，分为确定性判别模型和概率判别模型。线性回归假设输出与各个输入之间是线性关系:y=fθ(x)=θ0+Σj=1dθjxj=θTxy=f_\theta (x)=\theta_0+\Sigma_{j=1}^d {...
2020-02-14 16:28:20
322
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