Deep learning入门随记

已于 2023-04-11 16:03:48 修改
阅读量248 收藏
点赞数 1
CC 4.0 BY-SA版权
分类专栏： Machine Learning 文章标签： 深度学习 人工智能
于 2022-11-01 22:41:05 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/zjjaibc/article/details/127643000
本文介绍了深度学习的基础知识，包括神经网络的激活函数、梯度下降算法和反向传播的直观理解。此外，还探讨了优化深度神经网络的方法，如超参数选择、正则化（L2、Dropout）以及数据扩增和早期停止策略，强调了训练、开发和测试集的合理划分对模型性能的影响。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、Part one神经网络和深度学习

1.A[1]矩阵，在横向方向上表示的是不同样本的切换，在纵向方向上表示的是不同layer层的切换。

右上角for loop代码可以向量化为下面四行代码（利用矩阵+b广播）

2.四个常用的激活函数(sigmoid\tanh\relu(retectified linear unit)\leaky relu)

3.激活函数的导数

了解本专栏 订阅专栏 解锁全文 超级会员免费看
深度学习论文随记（一）---AlexNet模型解读
朝花&夕拾
07-13 5309
作者：teeyohuang 邮箱：teeyohuang@163.com 本文系原创，供交流学习使用，转载请注明出处，谢谢 深度学习论文随记（一）---AlexNet模型解读 ImageNet  classification with deep convolutional neural networks Author： A  Krizhevsky， I  Sutskever ， G
随记
pengjiren的专栏
02-21 193
2020.2 飞浆https://www.paddlepaddle.org.cn 新手入门¶ PaddlePaddle (PArallel Distributed Deep LEarning)是一个易用、高效、灵活、可扩展的深度学习框架 您可参考PaddlePaddle的Github了解详情，也可阅读版本说明了解新版本的特性 让我们从这里开始： 快速开始 当您第一次来到Pad...
我爱机器学习网深度学习类别文章汇总
wowdd1
08-13 1234
机器学习领域的几种主要学习方式 解密最接近人脑的智能学习机器——深度学习及并行化实现 5 deep learning startups to follow in 2015 How to run the Caffe deep learning vision library on Nvidia’s Jetson mobile GPU board Hacker’s Guide to Neural
书签收藏集
Link2Points的博客
12-19 1118
目录 GITHUB K8s 网站 工具 搜索引擎 文章 RPi 文档 待学 论文索引 平台 临时 Django API GPS MQTT Android 论文 疑难 毕 GITHUB guanguans/design-patterns-for-humans-cn: ???? Design patterns for humans 中文版 orico/www.mlcompendium.com: The Machine Learning & Dee
caffe随记（一）--- 目录简介
朝花&夕拾
08-03 769
caffe随记（一）--- 目录简介 我是Linux系统下的caffe，非windows版。文章主要记录一下自己的学习经历，权当抛砖引玉之用，欢迎各位不吝赐教。 一、目录图片 Caffe里有什么东西？ 上图是我的电脑中caffe目录的情况，我觉得作为入门小白还是来看一看各个文件夹里装得到底是啥？ 二、各个文件夹简介 ①build文件夹，用来存
深度学习干货贴
小水怪的博客
10-02 1679
1.IBM TrueNorth 类脑芯片突破，SNN 杀手级应用有望诞生 摘要：IBM 研究人员昨天在 PNAS 发文，报告他们训练卷积神经网络在 TrueNorth 处理器上分类图像和语音，精度接近目前最先进水平，每秒处理 1200~26... 2.反向传播算法入门资源索引 摘要：反向传播算法入门资源索引... 3.[导读]Learn Deep learning online 摘要：D
计算机控制技术课程解释与问题答疑
zhangrelay的专栏
09-09 7157
虽然这门课为计算机控制技术，但是这里的计算机是指微处理器或嵌入式系统。 课程以C51为主，但是目前主流的使用msp430，arduino，stm32等，可以自学这类芯片。 软件和硬件课堂学习只能理解原理，要想熟练应用需要大量锻炼，如软件需要海量编程， 硬件需要设计电路，只有如此才能真正掌握。 对于一个本体内部通信，有线常有串口、I2C、SPI和CAN等，无线有蓝牙、c1100、24L01等
机器人工程师学习计划
estun_hy的博客
07-29 1910
机器人工程师学习计划 YY硕 YY硕 机器人工程师 前言 很多朋友私信问我对机器人和人工智能感兴趣，该怎么展开学习。最近稍微有点空，我写写我的看法。 两年前，我在知乎回答如何定义「机器人」？ - YY硕的回答中试图给机器人做出一个比较仔细的定义，我觉得机器人和人工智能最大的区别在于是否要和物理世界进行交互。今年初在另一篇知乎回答里对机器人或人工智能的研究会帮助我们更好的了解人类自己吗？...
转：机器人工程师学习计划（YY硕）（后悔自己没有早点看到强力推荐）
weixin_42736130的博客
04-13 2295
申明：转载自知乎——YY硕 地址：https://zhuanlan.zhihu.com/p/22266788 作者：YY硕 链接：https://zhuanlan.zhihu.com/p/22266788 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 前言 很多朋友私信问我对机器人和人工智能感兴趣，该怎么展开学习。最近稍微有点空，我写写我的看法。 两年前，我在知...
浙大公开课—基于深度学习的特征匹配与姿态估计
xiaoxu的博客
07-27 877
本文探讨了基于深度学习的特征匹配与位姿估计方法。传统SIFT等手工特征在光照变化场景下表现不佳，而深度学习通过CNN网络提取语义信息，在特征匹配上展现出更好的鲁棒性。文章详细分析了深度学习特征提取流程，包括特征检测、描述子生成和匹配优化，并介绍了利用SfM数据集进行监督训练的策略。同时指出深度学习方法对几何变换（如旋转、缩放）的局限性源于卷积操作的平移不变性。最后介绍了位姿估计中2D-3D映射网络的应用及其在目标跟踪中的价值。
循环神经网络 中文情感分析案例
2301_76654710的博客
07-28 597
目录一、数据处理1、读取原始文件2、清洗数据3、分词4、构建词典并保存5、把每条文本编码成数字列表6、固定长度二、设置数据集、数据加载器三、构建模型结构四、配置具体模型参数与训练细节五、开始训练并保存六、模型测试（测试集）七、单条评论测试（可选）又做了一个小案例，刚好来复盘一下，是关于分析酒店评论的好坏，首先原始数据集如下：前面一列是标签，1代表好评，0代表差评，后面的是评论内容，一共有5000多条评论，下面开始：这里我总结了一下大概的步骤：读取原始文件 --> 清洗数据（去除标点符号等） --> 分词 -
【第四章:大模型（LLM)】01.神经网络中的 NLP-(2)Seq2Seq 原理及代码解析
IT古董
07-28 378
本文介绍了Seq2Seq（序列到序列）模型的基本原理及其在自然语言处理中的应用。Seq2Seq模型由编码器和解码器组成，通过编码器将输入序列转换为上下文向量，再由解码器生成目标序列。文章详细阐述了模型架构、数学公式及训练流程，并针对传统模型的不足引入了注意力机制。通过PyTorch代码示例演示了编码器、解码器和完整Seq2Seq模型的实现方法。该模型在机器翻译、文本摘要、对话系统和语音识别等领域有广泛应用。
AE、VAE与GAN简明指南：三大生成模型对比
Galen_xia的博客
07-29 481
AE、VAE与GAN简明对比指南 本文对比了三种主流生成模型的核心特点： AE（自编码器）：通过编码-解码结构压缩还原数据，结构简单但生成能力有限，适合压缩和去噪任务。 VAE（变分自编码器）：在AE基础上加入概率分布，使隐空间连续可插值，能生成新样本，适用于数据增强和可控生成。 GAN（生成对抗网络）：采用生成器与判别器对抗训练，生成质量最佳但训练难度大，适合高质量图像生成任务。 三种模型各具优势：AE简单易用，VAE平衡质量与稳定性，GAN生成效果最优但需精细调参。选择时需权衡复杂度、训练稳定性和生成质
基于深度学习的医学图像分析：使用YOLOv5实现细胞检测
qq_74383080的博客
07-28 877
本文介绍了使用YOLOv5实现医学图像中细胞检测的方法。文章首先阐述了医学图像分析和细胞检测的重要性及其在病理诊断、生物医学研究等领域的应用。然后详细讲解了YOLOv5的架构优势，包括高效性、灵活性和可扩展性。接着提供了完整的代码实现方案，包括环境准备、数据集加载、预训练模型迁移、模型训练与评估等步骤。通过实际案例展示了如何将YOLOv5应用于细胞检测任务，并鼓励读者尝试改进模型性能。文章为AI在医疗影像分析领域的实践应用提供了实用指导。
基于深度学习的图像分类：使用ShuffleNet实现高效分类
qq_74383080的博客
07-27 908
本文介绍了基于ShuffleNet的轻量级图像分类方法。首先阐述了图像分类的定义和应用场景，包括医疗、自动驾驶等领域。重点分析了ShuffleNet的核心技术：点群卷积和通道混洗操作，这些设计在保证精度的同时显著降低了计算量。文章提供了完整的代码实现方案，包括数据预处理、模型加载、训练和评估流程，使用CIFAR-10数据集进行验证。实验表明，ShuffleNet在保持较高分类精度的同时，具有模型轻量化优势，特别适合移动和嵌入式设备应用。最后建议读者可以尝试扩展应用到其他数据集或改进模型架构。
机器学习、深度学习与数据挖掘：三大技术领域的深度解析
loopdeloop的博客
07-29 423
机器学习、深度学习和数据挖掘构成了现代人工智能的核心技术栈，三者既相互区别又紧密联系。数据挖掘专注于知识发现，机器学习擅长建立预测模型，深度学习则精于处理复杂模式。随着技术进步，三者界限逐渐模糊，但各自的核心价值依然清晰。未来发展趋势将呈现技术深度融合、工程化程度提升和专业化解决方案涌现等特点。AutoML等技术正在整合全流程，MLOps等实践使技术更易落地，领域特定解决方案则满足专业化需求。这些发展将推动人工智能技术更加普及和实用化。理解这些技术的区别与联系，有助于在正确场景选择合适工具。
基于深度学习的胸部 X 光图像肺炎分类系统（七）
wh_xia_jun的专栏
07-26 311
评估结果总结=====")print(f"评估样本数只考虑有有效边界框的结果计算关键指标print(f"平均平均重合度中位数中间水平标准差波动程度准确率（模型预测肺炎且实际有肺炎的比例）print(f"模型预测准确率肺炎绘制IoU分布直方图（看大多数样本的表现）label=f'平均值分布直方图')交并比(IoU)')频数')绘制预测概率与IoU的关系（看模型自信度和准确性是否相关）预测概率与IoU的关系')肺炎预测概率')交并比。
【深度学习】独热编码（One-Hot Encoding）
最新发布
欢迎来到我的优快云个人博客主页！
07-29 508
独热编码（One-Hot Encoding）是机器学习中处理分类数据的常用技术，通过将N个类别转换为N个二元特征（0或1）来消除虚假序数关系。本文详细介绍了独热编码的原理、优缺点及其在分类模型训练和预测中的应用场景，包括与Softmax输出的配合使用。文章还提供了Python实战示例，分别演示了使用pandas的get_dummies()和scikit-learn的OneHotEncoder实现独热编码的方法。独热编码虽能有效处理分类变量，但在面对高基数特征时需注意维度膨胀问题。
深度学习篇---剪裁&缩放
道阻且长，行则将至。
07-25 996
深度学习图像预处理中，剪裁和缩放是关键操作：剪裁通过截取关键区域去除冗余信息，常用方法包括中心剪裁、随机剪裁和目标区域剪裁；缩放则通过插值算法统一图像尺寸，主要方法有最近邻、双线性和双三次插值。二者协同使用能有效提升模型训练效率和泛化能力，但需注意平衡细节保留与计算成本，避免过度处理导致特征丢失。实际应用中应根据任务需求选择合适的策略组合。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

_Ocean__

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值