- 博客(5)
- 收藏
- 关注
RSS订阅原创 在Pytorch上应用Tensorboard
本文介绍了使用PyTorch框架实现线性回归模型并利用TensorBoard进行训练过程可视化的完整流程。主要内容包括：TensorBoard的安装方法、基于模拟数据构建线性回归模型、训练过程的参数优化监控，以及通过TensorBoard可视化损失函数变化、参数收敛情况和模型预测效果。文章提供了完整的代码实现，展示了如何将训练日志写入TensorBoard，并通过本地服务器查看实时训练曲线和模型性能指标，帮助开发者直观理解模型训练过程和优化效果。
2025-09-11 20:13:05
401
原创 基于 PyTorch 的 MNIST 手写数字识别：从零实现 CNN 分类器
本文基于李沐老师的《动手学深度学习》和王木头学科学的视频，介绍了卷积的数学概念及其在深度学习中的应用。文章首先通过一个进食与消化的例子解释了卷积的意义，随后详细展示了如何使用PyTorch构建一个简单的卷积神经网络（CNN）来实现MNIST手写数字识别。文章涵盖了数据加载与预处理、模型构建、损失函数与优化器的定义、模型训练与评估的完整流程。最终，模型在MNIST测试集上的准确率达到了98.78%。通过这个实例，读者可以掌握深度学习的基本流程和方法，为进一步探索更复杂的数据集和模型架构打下基础。
2025-05-15 14:28:27
811
原创 深度学习中的线性回归：从零实现
线性回归是机器学习和深度学习中的基础算法，它不仅是理解更复杂模型的基石，还在实际应用中有着广泛的用途。本文将通过一个完整的例子，从零开始实现一个深度学习中的线性回归模型，帮助读者理解深度学习的基本原理和PyTorch框架的使用。什么是线性回归？线性回归是一种用于建模自变量（特征）和因变量（目标）之间线性关系的统计方法。在最简单的形式中，我们可以用以下方程表示：其中：是因变量；是自变量；是权重（斜率）；是偏置（截距）；是误差项，代表观测值中的随机噪声。
2025-05-10 23:08:37
373
原创 用神经网络实现二维数据分类：从代码到原理深度解析
在机器学习领域，分类任务是最常见的应用场景之一。无论是图像识别、垃圾邮件过滤，还是疾病诊断，都离不开分类算法的支持。本文将通过一个简单的二维数据分类实例，详细介绍如何使用神经网络完成分类任务，帮助你理解神经网络的工作原理和实现过程。
2025-05-10 17:23:34
1481
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人