- 博客(10)
- 收藏
- 关注
RSS订阅原创 初识生成任务
经过了前面几章内容的学习，我们以及学习了回归任务，图片分类，情感评论的二分类项目。他们分布代表着，向量——值，图片——分类，序列——分类。本章我们要进行的是生成式任务，其输入输出类型属于序列——序列。本章，我们讲解了生成式任务的输入输出类型和数量关系，还讲解了seq2seq的模型架构，通过它的思想理念，我们对之前未彻底说明的decoder进行了进一步的讲解，同时还提及了Beam Search算法。
2025-03-19 01:39:50
911
原创 Bert实战项目
为了更好的理解和运用Bert模型，我们将编写一个关于酒店评论情感的下游分类项目，通过实战来加深理解和强化实践。本次项目的复杂程度并不高，大部分的步骤都与我们前面文章中提及的实战项目相差不大，最重要的几点也都是对Bert架构的理解程度，以及对Bert分词器的输入和参数变化方面的理解。所以，该实战项目的根本目的，还是辅助大家去吃透Bert的原理，弄明白创造者的思路。
2025-03-16 17:28:24
714
原创 自然语言处理
本章我们将介绍关于自然语言文字是如何输入到模型中的，自注意力机制（self-attention）的相关知识，以及RNN，LSTM，Bert等模型。为了解决无法并行的问题，我们就要引入自注意力机制了。自注意力（Self-Attention）是一种用于序列建模的核心机制，尤其在Transformer模型中被广泛应用。它通过动态计算序列中不同位置之间的相关性，捕捉长距离依赖关系，从而提升模型对上下文的理解能力。自注意力的核心。
2025-03-15 17:05:27
900
原创 深度学习与特征
在本章，我们将重点介绍一些无监督和自监督的大类，了解更多处理数据的方法。同时，也会进一步了解深度学习与特征之间的联系，为什么深度学习能超越传统的机器学习。本章介绍了如何处理无标签数据为引，讲述了一系列关于无监督学习的内容，如： 对比学习， gan， 生成式自监督任务等。同时，我们也明确了深度学习的核心思想，就是对特征的提取。
2025-03-11 21:43:52
1016
原创 半监督食物分类任务
随着分类任务基础知识的掌握，和一些经典模型的了解，我们开始尝试进入实战项目。在本次项目中，我们有11类食物，其中带标签的：28011，不带标签的训练数据：6786，验证集3011，测试集为：3347。以上就是今天要讲的内容，本文通过一定量的带标签数据和大量的无标签数据，展示了半监督分类任务的流程。任务的主要难点，还是在数据集分类部分，其中还展示了读取文件的方法。在模型部分，我们介绍了迁移学习相关知识，采用了微调的方法。
2025-03-11 01:10:02
709
原创 分类型任务
现实中有很多问题并不是预测问题，所以在了解了线性回归的神经网络后，我们要开启分类领域，本章我们将会了解图片分类的工作流程，什么是卷积。使用一个简单的引入方式（真实情况为黑盒），我们判断小图片图片是否属于大图片时，可以将两个图片都等尺寸的，拆成数量不等的正方形拼凑而成。然后按一定顺序进行对比，一层一层比较，最终找到结果。下图中，我们假设红色小格为1，黑色小格为-1，卷积过程视为从左上角一层一层向下对比。对比方法为，将对应小格数值相乘，最后将所有对应小格数值相加。（-1）
2025-03-09 01:18:55
1394
原创 新冠病毒感染人数预测
本章中，我们会通过一个实战项目，加深对深度学习回归项目的理解，同时，也会再次介绍我们完成一个回归项目时，常见的工作流程与验证方法等。通过实战编写了一个预测新冠感染人数的回归项目，我们彻底了解了回归类型的深度学习项目的工作流程，同时，我们在基础项目中，增加了一定创新点，提高了项目水平。
2025-03-08 00:41:47
946
原创 简单线性代码表示
我们通过写一个在pycharm上写一个简单的线性回归，来理解神经网络的基本训练过程。我们假设，通过了解一个人的外貌，性格，财富，内涵，来推断他的恋爱次数，即将前四者视为X，恋爱次数视为Y，进行模拟推断。先设置一个生成数据函数，参数为w权重，b偏置项，data_num生成的数量，通过使用pytorch的normal生成一个形状为（data_num，len（w））的张量x，每个元素是通过从均值为0、标准差为1的正态分布中随机采用获得。y = w*x+b，注意其中x，w，b均为矩阵。同时，为了增强真实性，我们会
2025-03-06 21:54:00
890
原创 深度神经网络
例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考。
2025-02-25 11:38:30
966
原创 机器学习和深度学习
例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考人工智能、机器学习和深度学习之间的关系，是一种子集关系，广义上的人工智能是包含机器学习和深度学习。而狭义的人工智能，只是包含能够感知、推理、行动和适应的程序，并不包含机器学习和深度学习。机器学习的广义狭义同理。一般是基于数学，或者统计学的方法，有很强的可解释性。经典传统机器学习算法，如KNN，决策树，朴素贝叶斯，PCA等。
2025-02-16 16:53:13
688
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