- 博客(19)
- 收藏
- 关注
RSS订阅原创 第十五站：循环神经网络（RNN）与长短期记忆网络（LSTM）
RNN 是一种非常适合处理序列数据的神经网络。与传统的前馈神经网络不同，RNN 具有一个。
2025-03-01 12:14:44
2500
原创 第十四站：生成对抗网络（GAN）
前言：生成对抗网络（GAN）是由 Ian Goodfellow 在 2014 年提出的，它是一种。GAN 的核心思想是通过。这个过程会不断进行，直到生成器生成的假数据越来越真实，判别器难以区分真假数据。，使得一个网络生成数据，另一个网络判断生成数据的真实度，最终实现数据生成。：最大化判别器对生成数据的误判率，使得判别器认为生成数据是真实的。：最大化其对真实数据和生成数据的判断正确率。是判别器对生成数据的预测值，是判别器对真实数据的预测值，是判别器对生成数据的预测值。是生成器生成的假数据。
2025-02-28 09:04:10
866
原创 第十三站：卷积神经网络（CNN）的优化
数据增强是提升深度学习模型泛化能力的一种常见手段。通过对训练数据进行各种随机变换，可以生成更多的训练样本，帮助模型避免过拟合。前言：在上一期我们构建了基本的卷积神经网络之后，接下来我们将学习一些提升网络性能的技巧和方法。注：针对于以上更多修改，大家可以修改参数调试观察更多不同的效果，从而使得自己有一个对优化的大概了解。卷积神经网络可以通过调整网络的层数、卷积核大小、通道数等来改进其性能。正则化是防止模型过拟合的关键。
2025-02-27 00:25:28
1795
原创 第十二站：卷积神经网络（CNN）：附代码详解，一文看懂CNN
卷积神经网络（CNN）是一种前馈神经网络，主要用于处理具有网格结构的数据（如图像）。CNN 在深度学习的图像分类和物体识别等任务中取得了突破性的成果。我们通过一个简单的图像分类任务来实现 CNN
2025-02-26 11:11:41
3264
原创 第十一站：深度学习模型的训练与评估
在深度学习中，由于数据量庞大，我们通常将数据集划分为多个小批次（batch），然后逐个批次地训练模型。这样做可以带来很多好处，比如 提高计算效率、减少内存消耗、避免梯度波动过大 等。2. 数据预处理（Data Preprocessing）深度学习模型的训练通常需要对数据进行预处理，包括 归一化、标准化、数据增强 等。数据预处理可以提高模型的训练效果，并加速模型的收敛。归一化（Normalization）：将数据缩放到一个指定的范围（例如 [0, 1]）。常用于图像数据和特征数据。常用公式：Xnorm=
2025-02-25 16:19:30
1217
原创 第十站：深度学习的优化技术
1. 学习率调度（Learning Rate Scheduling）学习率是影响模型训练速度和稳定性的重要超参数。过大的学习率可能导致训练不稳定，过小的学习率会导致收敛过慢。学习率调度是动态调整学习率的技术，常用于提升训练效率。常见的学习率调度方法：随着训练的进行，逐渐减小学习率，避免模型在接近最优解时跳跃过大。在训练过程中，使用不同的学习率，比如在前几个 epoch 使用较大的学习率，后续使用较小的学习率。在训练过程中根据损失函数的变化自动调整学习率，例如。
2025-02-24 10:04:21
946
原创 第九站：深度学习模型的部署
深度学习模型（如卷积神经网络 CNN、循环神经网络 RNN 等）通常需要更多的计算资源和数据，因此其部署和应用可能面临一些特殊的挑战。今天，我们将重点介绍如何将深度学习模型部署到生产环境，并且确保模型能够稳定运行
2025-02-23 23:21:46
880
原创 第八站：模型部署与实际应用
模型部署是指将训练好的模型从开发环境转移到生产环境，使其能够处理实际数据并提供服务。模型部署并不止步于模型的训练，还包括如何让模型在实际应用中稳定、持续地工作。一个常见的模型部署方式是通过 RESTful API 接口提供模型服务。生产环境中的数据分布可能会发生变化，导致模型性能下降，这种现象被称为。随着时间的推移，模型可能会过时，无法适应新的数据。）提供了强大的工具来帮助你将机器学习模型快速部署到生产环境中。在实际应用中，我们通常需要将训练好的模型保存下来，以便在部署时进行加载和使用。
2025-02-22 12:56:13
1362
原创 Dropout与BN
在 PyTorch 或 TensorFlow 中，Dropout 通常很容易使用。它通过对每一层的输入进行归一化处理，使其保持稳定的分布，进而加速模型的收敛速度，减少了对初始化和学习率的敏感性。它在神经网络的训练过程中随机“丢弃”一部分神经元，以减少模型对某些特定神经元的依赖，增强模型的泛化能力。是一个随机生成的 0 或 1 的二进制向量，丢弃的神经元对应的。对于每个标准化后的样本，应用可训练的缩放。是一个很小的常数，用于防止除以零。Dropout 是一种常用的。1.对一个小批量数据。
2025-02-22 12:55:32
919
原创 第七站：模型评估和优化的进阶方法
不同任务会使用不同的评估指标。衡量正确预测的比例。适用于类别平衡的任务，但在类别不平衡时可能不够准确。模型优化的目标是通过不同的手段使得模型的性能更好。衡量预测值与真实值之间差异的平方平均，数值越小表示模型拟合效果越好。衡量模型对数据变异的解释能力，范围从 0 到 1，1 表示完美拟合。模型进行实践，结合不同的评估指标来优化模型。
2025-02-21 19:03:59
2537
原创 第六站：模型评估与调整
在机器学习中，我们训练好模型之后，需要对模型进行评估。超参数调整和选择合适的模型对模型性能至关重要。模型选择的关键是理解不同模型的特点，选择最适合特定任务的算法。对于许多机器学习模型（尤其是线性模型和深度学习模型），学习率和正则化是非常重要的超参数。我们将通过一个进行和，结合来找到最佳超参数组合。100.2f。
2025-02-21 18:57:05
899
原创 第五站：模型优化与超参数调优
模型优化的目标是通过调整模型的参数，使得模型的性能（如准确率、精确率、召回率等）达到最佳。模型优化可以从以下几个方面进行：超参数调优是指通过调整模型的超参数（如学习率、正则化强度、树的深度等）来提高模型性能。常见的超参数调优方法包括：网格搜索是通过穷举所有可能的超参数组合来寻找最优超参数。随机搜索与网格搜索类似，但它并不是穷举所有组合，而是随机选择超参数组合，这样可以减少计算开销。 是一个用于超参数调优的工具，它可以自动尝试多种超参数组合，并使用交叉验证评估每种组合的效果，最终返回最佳的超参数。逐行解释：
2025-02-20 16:23:24
1858
原创 交叉验证和模型评估方法
假设我们有一个数据集，包含 10 个样本，特征只有一个（我们假设这些数据是通过某种方式标注的，表示是否能通过某个考试），每个样本的数据如下：如果我们想要评估某个分类器在这个数据集上的性能，5折交叉验证 将会把这个数据集分成 5 个子集（每个子集包含 2 个样本），然后进行 5 次训练和验证。第一折：第二折：第三折：第四折：第五折：在实际应用中，机器学习模型有很多超参数，网格搜索（Grid Search） 是一个通过遍历所有可能的超参数组合来找到最佳模型参数的方法。假设我们有一个 随机森林 模型，我们想调整以
2025-02-20 16:22:22
3674
原创 第四站：集成学习
Boosting 是另一种集成学习方法，其核心思想是通过训练多个模型，每个模型都试图纠正前一个模型的错误。每次训练时，模型会关注那些之前模型分类错误的样本，从而提高模型的准确性。集成学习是一种将多个模型的预测结果进行组合，从而提升整体预测能力的技术。集成学习通过将多个较弱的模型组合成一个强大的模型，通常能带来比单一模型更好的性能。
2025-02-19 18:54:24
953
原创 第三站：卷积神经网络（CNN）与迁移学习
卷积神经网络（CNN）是深度学习中处理图像数据的核心模型，广泛应用于图像分类、目标检测和语义分割等任务。迁移学习是一种利用预训练模型进行新任务学习的方法，特别适用于数据集较小或训练成本高的任务。我们使用预训练模型来进行图像分类任务。通过微调最后的全连接层，以适应我们自己的数据集。1。
2025-02-18 21:28:27
1024
原创 第二站：理解并实现更多机器学习算法
逻辑回归是一种常见的分类算法，尽管名字中有“回归”，但它用于处理二分类问题。它的输出是概率值，表示某个输入属于某个类别的概率。
2025-02-17 21:26:44
1038
原创 决策树与超平面
决策树是通过树形结构进行决策的分类模型。每个“节点”代表一个特征的判断条件，每个“叶子节点”代表最终的预测结果。假设你有一个数据集，想根据“天气”和“温度”来判断“是否出去玩”。支持向量机（SVM）是一个非常强大的分类算法，特别适用于高维数据。
2025-02-17 21:25:03
494
3
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