摘要：
工作机制: 计算出的估计值与真实值做比较,然后得出误差,这里称之为损失函数, 为了使损失函数达到最小值,对其求导,然后向求导结果的相反方向(函数数值下降方向) 微调一点. 如此往复直到误差最小. Adam优化器:Adam优化器是一个比较好的通用优化器, 可以通过反向传播实现渐变下降. 阅读全文
posted @ 2025-12-24 10:28
点影成金
阅读(14)
评论(0)
推荐(0)
摘要：
名词解释 神经生物学 研究人体神经结构功能,以及疾病状态下神经系统变化的科学 行为 有动机,有目的的行动 行为的决定因素:基因和环境 髓鞘 包裹在轴突外的一层膜,一般在树突没有分布 神经元 神经元即神经细胞,构成神经系统的基本单位 突触 神经元之间进行信息传递的特异性接触部位 神经胶质细胞 分布于神 阅读全文
posted @ 2025-12-24 10:28
点影成金
阅读(12)
评论(0)
推荐(0)
摘要：
1.选择网络层:是否包含池化层?全连接层有两个,要怎样进行选择? 2.生成热力图: 选择1个类别还是打乱数据将类别分开单独生成热力图? 选择1个样本还是将多个样本取平均? 取平均是针对于特征图通道而言的,生成一张图像的热力图时已经经过了取平均 阅读全文
posted @ 2025-12-24 10:27
点影成金
阅读(15)
评论(0)
推荐(0)
摘要：
优化器optimizer自己定义 在模型编译中完成 model.compile(optimizer='rmsprop') loss 多分类中 model.compile( loss = 'categorical_crossentropy') 二分类中 loss = 'binary_crossentr 阅读全文
posted @ 2025-12-24 10:26
点影成金
阅读(20)
评论(0)
推荐(0)
摘要：
https://keras.io/zh/getting-started/sequential-model-guide/ 阅读全文
posted @ 2025-12-24 10:25
点影成金
阅读(3)
评论(0)
推荐(0)
摘要：
#一个二分类的模型 #使用虚拟数据和虚拟标签 #定义模型 model = Sequential #添加层 #定义输入大小 model.add(Dense(32,activation='relu',input_dim=100)) model.add(Dense(1,activation='sidmoi 阅读全文
posted @ 2025-12-24 10:25
点影成金
阅读(18)
评论(0)
推荐(0)
摘要：
最后一层全连接层 #二分类 model.add(Dense(1,activation='sigmoid')) #多分类输出长度为类别个数(10分类为10) #多分类activation为softmax model.compile中的优化器 多分类为sgd 二分类为rmsprop sgd中的参数可以定 阅读全文
posted @ 2025-12-24 10:24
点影成金
阅读(3)
评论(0)
推荐(0)
摘要：
调用LSTM的方法:利用keras直接调用 构建RNN模型 https://github.com/ShadyF/cnn-rnn-classifier/blob/master/cnn_rnn_classifier.py 阅读全文
posted @ 2025-12-24 10:23
点影成金
阅读(11)
评论(0)
推荐(0)
摘要：
将各层添加到sequential()函数中 形成一个整体 from keras.models import Sequential from keras.layers import Dense, Activation model = Sequential([ Dense(32, input_shape 阅读全文
posted @ 2025-12-24 10:22
点影成金
阅读(2)
评论(0)
推荐(0)
摘要：
作用:让每一层的值在有效的范围内传递下去 阅读全文
posted @ 2025-12-24 10:21
点影成金
阅读(2)
评论(0)
推荐(0)
浙公网安备 33010602011771号