<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[witherda的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/witherda</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; witherda]]></copyright><item><title><![CDATA[使用飞桨构建波士顿房价预测模型]]></title><link>https://blog.youkuaiyun.com/witherda/article/details/107968500</link><guid>https://blog.youkuaiyun.com/witherda/article/details/107968500</guid><author>witherda</author><pubDate>Wed, 12 Aug 2020 23:43:15 +0800</pubDate><description><![CDATA[使用飞桨构建波士顿房价预测模型(笔记)

动态图模式

飞桨支持两种深度学习建模编写方式，更方便调试的动态图模式和性能更好并便于部署的静态图模式。
静态图模式（声明式编程范式，类比C++）：先编译后执行的方式。用户需预先定义完整的网络结构，再对网络结构进行编译优化后，才能执行获得计算结果。
动态图模式（命令式编程范式，类比Python）：解析式的执行方式。用户无需预先定义完整的网络结构，每写一行网络代码，即可同时获得计算结果。
dygraph：动态图的类库。
import paddle
import pad]]></description><category></category></item><item><title><![CDATA[对构建波士顿房价预测任务的神经网络模型的学习]]></title><link>https://blog.youkuaiyun.com/witherda/article/details/107944987</link><guid>https://blog.youkuaiyun.com/witherda/article/details/107944987</guid><author>witherda</author><pubDate>Tue, 11 Aug 2020 22:30:13 +0800</pubDate><description><![CDATA[**
对构建波士顿房价预测任务的神经网络模型的学习（笔记）
**

数据集划分

将数据集划分成训练集和测试集，其中训练集用于确定模型的参数，测试集用于评判模型的效果。为什么要对数据集进行拆分，这与学生时代的授课和考试关系比较类似，如图所示。

2. 数据归一化处理
对每个特征进行归一化处理，使得每个特征的取值缩放到0~1之间。这样做有两个好处：一是模型训练更高效；二是特征前的权重大小可以代表该变量对预测结果的贡献度
再者就是，在后续的确定损失函数更小的点的过程中，所有参数的移动步长可以统一（学习率可以设置]]></description><category></category></item></channel></rss>