相關(guān)文章

• 

  【人工智能】實(shí)驗(yàn)二: 洗衣機(jī)模糊推理系統(tǒng)實(shí)驗(yàn)與基礎(chǔ)知識(shí)

  理解模糊邏輯推理的原理及特點(diǎn)，熟練應(yīng)用模糊推理。 設(shè)計(jì)洗衣機(jī)洗滌時(shí)間的模糊控制。 已知人的操作經(jīng)驗(yàn)為： “污泥越多，油脂越多，洗滌時(shí)間越長(zhǎng)”； “污泥適中,油脂適中,洗滌時(shí)間適中”； “污泥越少，油脂越少，洗滌時(shí)間越短”。 模糊控制規(guī)則如表1所示： x y z

  2024年02月03日

  瀏覽(98)
• 

  【人工智能】實(shí)驗(yàn)四：遺傳算法求函數(shù)最大值實(shí)驗(yàn)與基礎(chǔ)知識(shí)

  實(shí)驗(yàn)?zāi)康?熟悉和掌握遺傳算法的原理、流程和編碼策略，并利用遺傳算法求解函數(shù)優(yōu)化問題，理解求解流程并測(cè)試主要參數(shù)對(duì)結(jié)果的影響。 實(shí)驗(yàn)內(nèi)容 采用遺傳算法求解函數(shù)最大值。 實(shí)驗(yàn)要求 1. 用遺傳算法求解下列函數(shù)的最大值，設(shè)定求解精度到15位小數(shù)。 （1）給出適應(yīng)度

  2024年02月03日

  瀏覽(88)
• 

  【人工智能】實(shí)驗(yàn)三 A*算法求解八/十五數(shù)碼問題實(shí)驗(yàn)與基礎(chǔ)知識(shí)

  熟悉和掌握啟發(fā)式搜索的定義、估價(jià)函數(shù)和算法過程，并利用A*算法求解N數(shù)碼難題，理解求解流程和搜索順序。 以8數(shù)碼問題和15數(shù)碼問題為例實(shí)現(xiàn)A*算法的求解程序（編程語(yǔ)言不限）。 設(shè)計(jì)兩種不同的估價(jià)函數(shù)。 設(shè)置相同的初始狀態(tài)和目標(biāo)狀態(tài)，針對(duì)不同的估價(jià)函數(shù)，求得

  2024年02月03日

  瀏覽(419)

• 【人工智能】實(shí)驗(yàn)五 采用卷積神經(jīng)網(wǎng)絡(luò)分類MNIST數(shù)據(jù)集與基礎(chǔ)知識(shí)

  熟悉和掌握 卷積神經(jīng)網(wǎng)絡(luò)的定義，了解網(wǎng)絡(luò)中卷積層、池化層等各層的特點(diǎn)，并利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)MNIST數(shù)據(jù)集進(jìn)行分類。 編寫卷積神經(jīng)網(wǎng)絡(luò)分類軟件，編程語(yǔ)言不限，如Python等，以MNIST數(shù)據(jù)集為數(shù)據(jù)，實(shí)現(xiàn)對(duì)MNIST數(shù)據(jù)集分類操作，其中MNIST數(shù)據(jù)集共10類，分別為手寫0—9。

  2024年02月04日

  瀏覽(93)

• 深度學(xué)習(xí)基礎(chǔ)知識(shí)整理

  Auto-encoders是一種人工神經(jīng)網(wǎng)絡(luò)，用于學(xué)習(xí)未標(biāo)記數(shù)據(jù)的有效編碼。它由兩個(gè)部分組成：編碼器和解碼器。編碼器將輸入數(shù)據(jù)轉(zhuǎn)換為一種更緊湊的表示形式，而解碼器則將該表示形式轉(zhuǎn)換回原始數(shù)據(jù)。這種方法可以用于降維，去噪，特征提取和生成模型。 自編碼器的訓(xùn)練過程

  2024年01月17日

  瀏覽(25)

• 深度學(xué)習(xí)torch基礎(chǔ)知識(shí)

  detach是截?cái)喾聪騻鞑サ奶荻攘?將某個(gè)node變成不需要梯度的Varibale。因此當(dāng)反向傳播經(jīng)過這個(gè)node時(shí)，梯度就不會(huì)從這個(gè)node往前面?zhèn)鞑ァ?拼接：將多個(gè)維度參數(shù)相同的張量連接成一個(gè)張量 torch.nn.DataParallel(module, device_ids=None, output_device=None, dim=0) module即表示你定義的模型，devic

  2024年02月13日

  瀏覽(21)
• 

  深度學(xué)習(xí)基礎(chǔ)知識(shí)神經(jīng)網(wǎng)絡(luò)

  1. 感知機(jī) 感知機(jī)（Perceptron）是 Frank Rosenblatt 在1957年提出的概念，其結(jié)構(gòu)與MP模型類似，一般被視為最簡(jiǎn)單的人工神經(jīng)網(wǎng)絡(luò)，也作為二元線性分類器被廣泛使用。通常情況下指單層的人工神經(jīng)網(wǎng)絡(luò)，以區(qū)別于多層感知機(jī)（Multilayer Perceptron）。盡管感知機(jī)結(jié)構(gòu)簡(jiǎn)單，但能夠?qū)W習(xí)

  2024年02月03日

  瀏覽(26)
• 

  深度學(xué)習(xí)基礎(chǔ)知識(shí)-感知機(jī)+神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)

  參考書籍：（找不到資源可以后臺(tái)私信我） 《深度學(xué)習(xí)入門：基于Python的理論與實(shí)現(xiàn) (齋藤康毅)》 《Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition (Aurelien Geron [Géron, Aurélien])》 機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的區(qū)別： Perceptron（感知機(jī)） 感知機(jī)就是一種接收多種輸入信

  2023年04月26日

  瀏覽(20)
• 

  深度學(xué)習(xí)基礎(chǔ)知識(shí)-pytorch數(shù)據(jù)基本操作

  1.1.1 數(shù)據(jù)結(jié)構(gòu) 機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的主要數(shù)據(jù)結(jié)構(gòu)，例如 ? ? ? ? ? ? ? ? 0維：叫標(biāo)量，代表一個(gè)類別，如1.0 ? ? ? ? ? ? ? ? 1維：代表一個(gè)特征向量。如 ?[1.0，2,7，3.4] ? ? ? ? ? ? ? ? 2維：就是矩陣，一個(gè)樣本-特征矩陣，如： [[1.0，2,7，3.4?] ? ? ? ? ? ? ?? ? ?

  2024年02月11日

  瀏覽(26)

• 深度學(xué)習(xí)基礎(chǔ)知識(shí)（三）-線性代數(shù)的實(shí)現(xiàn)

  1.標(biāo)量使用 標(biāo)量由只有一個(gè)元素的張量表示,標(biāo)量可以做最簡(jiǎn)單的計(jì)算。 結(jié)果： 2.向量使用 向量：將標(biāo)量值組成的列表就是向量 結(jié)果： 訪問張量的長(zhǎng)度 只有一個(gè)軸的張量，形狀只有一個(gè)元素 創(chuàng)建一個(gè)二維矩陣5行4列，然后將矩陣做轉(zhuǎn)置，軸對(duì)稱的一個(gè)轉(zhuǎn)置 結(jié)果：其實(shí)就是把

  2024年02月10日

  瀏覽(27)