[Python] 从0到1实现一个简单的数字图像识别大模型

目录

前言介绍

神经网络

简单的神经网络

使用均方误差与正规方程实现神经网络

随机梯度下降与批量梯度下降实现神经网络

用更复杂的梯度下降实现一个神经网络

利用Sigmoid激活函数实现神经网络

使用 PyTorch 框架快速构建一个神经网络、

案例实战

---

前言介绍

        大模型的本质是机器学习， 机器学习的本质就是一种数学模型，而现在主流的大模型都是基于神经网络模型构建的数学模型，不论是基于卷积神经网络(CNN)，还是循环神经网络(RNN)，亦或者是Transformer神经网络等。‍‍‍‍‍‍‍‍所以所谓的大模型，就是一个很复杂的函数，训练它的样本集很大、参数很多。

        神经网络模型是一种基于人工神经元的数学模型，用于模拟人脑的神经网络结构和功能。 神经网络模型有很多层，每一层都有很多个神经元，每一层又是相互连接。每个神经元又由很多参数组成，平时我们常常所说的某个大模型有多少亿参数，就是指所有神经元加起来参数之和。参数越多，大模型的功能就越强大。

        

         一般情况下，大模型的参数是在网络架构时就设定好的，参数数量一般不会发生变化；但也有例外情况，比如动态神经网络就会对参数数量进行动态调整。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

        大模型训练的本质就是调整参数，训练的过程其实就是把训练数据输入到大模型中