相關文章

• 【AI】《動手學-深度學習-PyTorch版》筆記（三）：PyTorch常用函數(shù)

  返回一維張量（一維數(shù)組），官網說明，常見的三種用法如下 tensor.shape：查看張量的形狀 tensor.reshape：返回改變形狀后的張量，原張量不變

  2024年02月15日

  瀏覽(26)

• 【AI】《動手學-深度學習-PyTorch版》筆記（八）：線性回歸

  線性函數(shù)如下： y ^ = w 1 x 1 + . . . + w d x d

  2024年02月14日

  瀏覽(30)
• 

  PyTorch深度學習實戰(zhàn) | 基于多層感知機模型和隨機森林模型的某地房價預測

  簡介： 在現(xiàn)實生活中，除了分類問題外，也存在很多需要預測出具體值的回歸問題，例如年齡預測、房價預測、股價預測等。相比分類問題而言，回歸問題輸出類型為一個連續(xù)值，如下表所示為兩者的區(qū)別。在本文中，將完成房價預測這一回歸問題。 ■ 分類問題與回歸問題

  2023年04月12日

  瀏覽(29)

• 【AI】《動手學-深度學習-PyTorch版》筆記（六）：微積分

  f ′ ( x ) = lim ? h → 0 f (

  2024年02月15日

  瀏覽(92)

• 【AI】《動手學-深度學習-PyTorch版》筆記（二十）：圖像增強、微調

  圖像增強可以擴展訓練樣本數(shù)量、減小對某個屬性的依賴。比如，裁剪圖像，可以減少模型對對象出現(xiàn)位置的依賴；調整亮度、顏色等因素來降低模型對顏色的敏感度等 頭文件 %matplotlib inline：圖表直接嵌入到Notebook中，本人使用的jupyter-lab 顯示圖片

  2024年02月11日

  瀏覽(24)

• 【AI】《動手學-深度學習-PyTorch版》筆記（五）：線性代數(shù)

  標量就是我們常見的單個數(shù)字（包括整數(shù)、小數(shù)等等），可以使用只有一個元素的張量表示 用小寫字母表示，如：x、y、z

  2024年02月15日

  瀏覽(21)

• 【AI】《動手學-深度學習-PyTorch版》筆記（十七）：卷積神經網絡入門

  我們在前面學習的多層感知機中，已經認識了全鏈接層，缺點很明顯，在稍微大點的網絡模型中，參數(shù)成指數(shù)級別增長。參數(shù)量很快就達到數(shù)十億，這樣的量級幾乎無法計算。為此科學家們想出一個減少參數(shù)的方法：卷積。 從全鏈接層到卷積的推論，使用如下兩個原則： 平

  2024年02月13日

  瀏覽(59)
• 

  【AI】《動手學-深度學習-PyTorch版》筆記（十八）：卷積神經網絡模型

  發(fā)布時間：1989年 模型目的：識別手寫數(shù)字 1.3.1 相關函數(shù)原型 1）nn.Conv2d：卷積層

  2024年02月13日

  瀏覽(90)

• 【AI】《動手學-深度學習-PyTorch版》筆記（十一）：分類問題-softmax回歸

  1）連續(xù)值與離散值 線性回歸模型，適用于輸出為連續(xù)值的情景。 softmax回歸模型，適用于輸出為離散值的情景。例如圖像類別，就需要對離散值進行預測。softmax回歸模型引入了softmax運算，使輸出更適合離散值的預測和訓練。 2）輸出個數(shù) 線性回歸模型，輸出單元為1個，而

  2024年02月14日

  瀏覽(161)

• 【AI】《動手學-深度學習-PyTorch版》筆記（十二）：從零開始實現(xiàn)softmax回歸

  對于圖像算法，每個像素可以視為一個特征，例如圖像的分辨率為28x28，則有784個特征。而且常常將二維的圖像像素矩陣展開為長度為784的向量。 本例中，將使用Fashion-MNIST數(shù)據(jù)集，它是一個服裝分類數(shù)據(jù)集，可以將服裝分為10個類別。 輸入圖像的分辨率為28x28，即特征是長度

  2024年02月13日

  瀏覽(23)