- 博客(14)
- 资源 (7)
- 收藏
- 关注
RSS订阅原创 复试口语问答
学校的好处：It provides me with a good learning atmosphere, so I really enjoy the past four years I spent there. Under the guidance of my teachers, I am equipped with good learning and practical abilities.（学校提供良好学习氛围，喜欢度过的四年，在老师指导下，我拥有良好学习和实践能力 ）总之，我是不会轻易放弃的 ）
2025-02-12 17:16:18
381
原创 cnn卷积神经网络-刘二大人
填充与步幅：增加填充（padding）或改变滑动步幅（stride）会影响输出尺寸。累加到一起组合成为每个通道的输出。• 如果步幅为 2，卷积核每次滑动跳过1个像素（如从位置0直接跳到位置2）。卷积和池化：提取图像的空间信息和模式（如数字的边缘、笔画）。步幅（Stride） 决定了卷积核在输入矩阵上滑动的步长。有 𝑛 个通道，则每一个卷积核的通道个数也必须是 𝑛。如果需要输出 𝑚 个通道，则需要 𝑚 个卷积核，全连接层：将提取的特征映射到具体的分类结果。• 默认步幅为 1，即卷积核逐个像素滑动。
2025-01-22 16:31:13
712
原创 softmax-刘二大人
例如，如果真实类别是第3类（对应[0,0,1,0,0]），损失为−log(0.5)。当概率接近1时，log(𝑥)接近0，表明预测准确时的损失接近于零。减少尺度差异：原始特征可能有不同的尺度（例如一个特征的值范围是[0,1]，另一个是[0,1000]）。假设有3个类别，真实标签𝑌=[0,1,0]，即样本属于第2类，模型输出概率分布𝑌^=[0.2,0.7,0.1]。在分类问题中，真实类别标签𝑌通常是one-hot编码的（如分类标签为3，标签可能是[0,0,1,0,0]
2025-01-18 22:59:09
1004
原创 多维度特征输入-刘二大人
1.当输入始终小于或等于0时，ReLU的输出为0，导数也为0。这样会导致这些神经元的梯度永远为0，不再更新权重，这些神经元被称为“死亡神经元”。2.如果学习率设置过大，可能导致大量神经元的输入值偏向负值，最终模型性能降低。
2025-01-17 12:45:48
938
原创 罗杰斯帝回归-刘二大人
模型的输出值需要是经过Sigmoid激活函数处理后的概率值（即范围为[0,1]的数值）。如果输出值是未经过Sigmoid的原始值，可能需要先进行Sigmoid处理。真实标签：真实标签是指样本的实际类别标签。在二分类任务中，真实标签是二元的，通常是0或1： 0表示样本属于类别0。𝑝 是模型的预测概率值，即模型输出通过Sigmoid激活后的结果，表示样本属于类别1的概率。预测一个邮件是否是垃圾邮件（垃圾邮件是类别1，非垃圾邮件是类别0）。真实标签通常是 0 或 1，表示样本属于类别0或类别1。
2025-01-16 11:39:00
241
原创 刘二大人pytorch笔记目录
以下为刘二大人（pytorch）教程自己做的笔记，如有错误还请见谅，可评论交流梯度下降反向传播线性回归（torch版本）
2025-01-14 16:43:58
320
原创 刘二大人-线性回归（torch版本）
self.linear = torch.nn.Linear(1, 1) 定义了一个线性层（nn.Linear），输入特征维度为 1，输出特征维度为 1。如果输入的类型不是张量（如普通 Python 列表或 NumPy 数组），PyTorch 将无法构建计算图，从而无法进行自动求导。PyTorch 的计算依赖张量类型，所有模型计算、损失计算和梯度传播都基于张量实现。它的主要功能是通过计算的梯度更新模型参数 𝑤 和 𝑏，使损失函数值不断减小。torch.nn.Linear 的内部运算是 𝑦=𝑥⋅𝑤𝑇+𝑏。
2025-01-14 16:39:31
949
原创 刘二大人-反向传播
在 PyTorch 中，调用 loss.backward() 时，梯度会被 累积 到 w.grad 中，而不是覆盖。为了避免上一次的梯度影响当前的计算结果，需要在每次更新参数后清零梯度。上述代码是一个 PyTorch 张量（Tensor），并通过设置 requires_grad=True 启用了梯度跟踪功能。每一次外层循环的权重 𝑤都会基于上一轮更新后的 w进行计算，这是模型训练的核心逻辑，即权重不断被优化，逐步逼近最优值。PyTorch 会记录与 w 相关的所有操作，构建计算图。
2025-01-13 18:08:18
262
原创 刘二大人-梯度下降
什么是噪声？噪声是指优化过程中梯度计算中引入的随机波动，尤其是在随机梯度下降（SGD）中，每次更新基于单个样本，梯度方向会有一定的偏差（噪声）。噪声的作用是什么？噪声可以帮助优化器：跳出局部最优解。避免停滞在鞍点（梯度为零的平坦区域）。在优化初期加速探索参数空间。
2025-01-12 18:48:10
311
原创 链式线性表笔记
链式线性表序：由于节点在存储器中位置位位置是任意的，即逻辑上相邻的数据元素在物理上不一定相邻。因此得出了线性表的链式结构，又称为非顺序映像，或链式映像。一． 特点： 物理位置任意的存储单元，来存放线性表的数据元素。 存储单元可以是连续，也可以是不连续。 链表中的元素的逻辑顺序和物理次序不一定相同。 访问时，只能通过头指针进入链表，并通过每个结点的指针域，依次向后顺序扫描其余结点。所以寻找第一个结点和最后一结点所花费的时间不等。注：单链表由头指针唯一确定，因此可以用头指针的名字来命名。
2022-01-11 15:49:43
393
原创 顺序存储结构的线性表代码实现
顺序存储结构的线性表代码实现在这里插入代码片/** free()函数、malloc()函数 1.malloc函数返回的是void类型地址，并不会指出地址位置，因此我们可以采用强制转换将地址赋给指针 2.如果不使用free函数，则在函数结束时会释放指针，但分配的内存不会释放。 当再次分配内存时，上次分配的内存就不可用，这样无限循环会导致内存泄漏 3.free的参数位置存放的是指针（也就是指向malloc分配内存的那个指针） 重点：c中的->用在前
2022-01-07 11:45:28
379
3数据结构笔记 绪论+算法.docx
2021-12-31
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人