随笔分类 - 课程--机器学习 / 深度学习
摘要：
3Blue1Brown 神经网络的结构 这里作者先从神经网络初始最著名的应用--识别手写数字图片中的数字为例，讲解神经网络的基本架构： 我们将一张图片中的全部像素展开为一列，每一个像素就是初始输入神经元中的值 这上述角度，我们可以神经元看成“装有数字的容器”，里面的数字是“激活值” 其值越大该神经元
阅读全文
3Blue1Brown 神经网络的结构 这里作者先从神经网络初始最著名的应用--识别手写数字图片中的数字为例，讲解神经网络的基本架构： 我们将一张图片中的全部像素展开为一列，每一个像素就是初始输入神经元中的值 这上述角度，我们可以神经元看成“装有数字的容器”，里面的数字是“激活值” 其值越大该神经元
阅读全文
摘要：
from pixiv 基础 Hugging Face 什么是Hugging Face? -- Hugging Face Transformers 萌新完全指南 Hugging Face的历史 模型量化技术概述及 GGUF/GGML 文件格式解析 from AI-Guide-and-Demos-zh_
阅读全文
from pixiv 基础 Hugging Face 什么是Hugging Face? -- Hugging Face Transformers 萌新完全指南 Hugging Face的历史 模型量化技术概述及 GGUF/GGML 文件格式解析 from AI-Guide-and-Demos-zh_
阅读全文
摘要：
from pixiv NLP RNN模型与NLP应用 上述链接是一整套来自youtube上，作者为Shusen Wang的NLP相关视频，从数据预处理一直讲到了BETR微调，非常不错
阅读全文
from pixiv NLP RNN模型与NLP应用 上述链接是一整套来自youtube上，作者为Shusen Wang的NLP相关视频，从数据预处理一直讲到了BETR微调，非常不错
阅读全文
摘要：
from pixiv 参考博客 NumPy中文网 小知识点 如何初始化一个np.array，其中的值是我们自定义的类？ 在基础篇中，我们已经知道如下内容： 通常，数组的元素最初是未知的，但它的大小是已知的。因此，NumPy提供了几个函数来创建具有初始占位符内容的数组。这就减少了数组增长的必要，因为数
阅读全文
from pixiv 参考博客 NumPy中文网 小知识点 如何初始化一个np.array，其中的值是我们自定义的类？ 在基础篇中，我们已经知道如下内容： 通常，数组的元素最初是未知的，但它的大小是已知的。因此，NumPy提供了几个函数来创建具有初始占位符内容的数组。这就减少了数组增长的必要，因为数
阅读全文
摘要：
from pixiv 参照博客 Matplotlib tutorial for beginners 真的很适合新手，把基础的内容都讲解了一遍 [Simple Matplotlib & Visualization Tips 💡](https://www.kaggle.com/code/subiniu
阅读全文
from pixiv 参照博客 Matplotlib tutorial for beginners 真的很适合新手，把基础的内容都讲解了一遍 [Simple Matplotlib & Visualization Tips 💡](https://www.kaggle.com/code/subiniu
阅读全文
摘要：
向着吃点心的时刻出发！——久岛鸥 锚框 数据集： 首先人手动在图片数据中进行标注，标注的有物体的类型，物体对应的框（框的位置） 框的位置表示方式很多，如左上角x,左上角y,高，宽 这样表示 我们手动标注的框为真实框，锚框是我们程序生成的，经过我们的处理需要与真实框进行匹配，并算出于真正框的偏移 这个
阅读全文
向着吃点心的时刻出发！——久岛鸥 锚框 数据集： 首先人手动在图片数据中进行标注，标注的有物体的类型，物体对应的框（框的位置） 框的位置表示方式很多，如左上角x,左上角y,高，宽 这样表示 我们手动标注的框为真实框，锚框是我们程序生成的，经过我们的处理需要与真实框进行匹配，并算出于真正框的偏移 这个
阅读全文
摘要：
from pixiv RNN 想要了解RNN的网络结构去看这个视频 这里就是在多层感知机（MLP）上加了时间，我们以前的隐藏层如今还需要接受上一层隐藏层的计算 形象点就是如图： 然后训练时给人的感觉就是： RNN模型的评价标准 困惑度 困惑度定义如下： 注意他这里说明的：我们并肩一个语言模型的好坏，
阅读全文
from pixiv RNN 想要了解RNN的网络结构去看这个视频 这里就是在多层感知机（MLP）上加了时间，我们以前的隐藏层如今还需要接受上一层隐藏层的计算 形象点就是如图： 然后训练时给人的感觉就是： RNN模型的评价标准 困惑度 困惑度定义如下： 注意他这里说明的：我们并肩一个语言模型的好坏，
阅读全文
摘要：
from pixiv Pandas Creating, Reading and Writing pandas中有两类实体类： the DataFrame and the Series. DataFrame A DataFrame is a table. Series A Series, by con
阅读全文
from pixiv Pandas Creating, Reading and Writing pandas中有两类实体类： the DataFrame and the Series. DataFrame A DataFrame is a table. Series A Series, by con
阅读全文
摘要：
from pixiv 从全连接层到卷积 原理 现在我们给自己一个任务:用神经网络去识别区分出百万级像素的不同图片 回顾一下以前：我们是通过多层感知机来实现的，当面对一张图片的时候，我们将其看成一个像素点矩阵，然后将其从二维拉直到一维上，再通过MLP进行训练 但是我们这次的任务每张照片具有百万级像素，
阅读全文
from pixiv 从全连接层到卷积 原理 现在我们给自己一个任务:用神经网络去识别区分出百万级像素的不同图片 回顾一下以前：我们是通过多层感知机来实现的，当面对一张图片的时候，我们将其看成一个像素点矩阵，然后将其从二维拉直到一维上，再通过MLP进行训练 但是我们这次的任务每张照片具有百万级像素，
阅读全文
摘要：
from pixiv 层和块 为了实现这些复杂的网络，我们引入了神经网络块的概念。 块（block）可以描述单个层、由多个层组成的组件或整个模型本身。 从编程的角度来看，块由类（class）表示。 它的任何子类都必须定义一个将其输入转换为输出的前向传播函数， 并且必须存储任何必需的参数。 于是我们有
阅读全文
from pixiv 层和块 为了实现这些复杂的网络，我们引入了神经网络块的概念。 块（block）可以描述单个层、由多个层组成的组件或整个模型本身。 从编程的角度来看，块由类（class）表示。 它的任何子类都必须定义一个将其输入转换为输出的前向传播函数， 并且必须存储任何必需的参数。 于是我们有
阅读全文
摘要：
from pixiv 多层感知机原理 隐藏层 严格一点来讲：我们需要隐藏层是因为线性是一个很强的假设，线性模型在有些情况会不适用或者出错。 一个形象的例子： 就如同上面图片中展示的XOR问题,如果我们现在想要将绿和红球分开，如果只用一条"线性"，我们会发现我们是做不到的，起码要两条及以上的"线性"
阅读全文
from pixiv 多层感知机原理 隐藏层 严格一点来讲：我们需要隐藏层是因为线性是一个很强的假设，线性模型在有些情况会不适用或者出错。 一个形象的例子： 就如同上面图片中展示的XOR问题,如果我们现在想要将绿和红球分开，如果只用一条"线性"，我们会发现我们是做不到的，起码要两条及以上的"线性"
阅读全文
摘要：
summer pocket_久岛鸥 我将会跨越七大洋，将我的爱意带到你的身边 线性回归基本概念 这里的price泛化后就是我们的y，即标签label 这里的area,age泛化后就是我们的X，即特征features 当L（W，b）能够通过直接求导得到W与b,那么我们称之W与b有解析解（因为L（W,b
阅读全文
summer pocket_久岛鸥 我将会跨越七大洋，将我的爱意带到你的身边 线性回归基本概念 这里的price泛化后就是我们的y，即标签label 这里的area,age泛化后就是我们的X，即特征features 当L（W，b）能够通过直接求导得到W与b,那么我们称之W与b有解析解（因为L（W,b
阅读全文
摘要：
Memories in a Box-BigRicePiano 基础线性代数 声明：资料来自3Blue1Brown 什么是张成空间？ 标量是用来伸缩向量的 向量可以看做一个空间上从“原点”到目的点的箭头，当我们不考虑箭头时，我们就可以将向量看成点 由于标量的不断变化，由基向量组成的新向量的集合就是张成
阅读全文
Memories in a Box-BigRicePiano 基础线性代数 声明：资料来自3Blue1Brown 什么是张成空间？ 标量是用来伸缩向量的 向量可以看做一个空间上从“原点”到目的点的箭头，当我们不考虑箭头时，我们就可以将向量看成点 由于标量的不断变化，由基向量组成的新向量的集合就是张成
阅读全文
浙公网安备 33010602011771号