随笔分类 -  深度学习实验

深度学习的一些笔记
对多分类模型采用十折交叉验证评估
摘要：15、对多分类模型采用十折交叉验证评估 #导入必要的包 import torch import torch.nn as nn import numpy as np import torchvision import torchvision.transforms as transforms impor 阅读全文
posted @ 2022-10-24 13:11 cyberbase 阅读(445) 评论(0) 推荐(0)
对二分类模型采用十折交叉验证评估
摘要：14、对二分类模型采用十折交叉验证评估 #导入必要的包 import torch import torch.nn as nn from torch.utils.data import TensorDataset,DataLoader from torch.nn import init import 阅读全文
posted @ 2022-10-24 13:10 cyberbase 阅读(453) 评论(0) 推荐(0)
对回归模型采用十折交叉验证评估
摘要：13、对回归模型采用十折交叉验证评估 #导入必要的包 import torch from torch import nn import numpy as np import matplotlib.pyplot as plt from torch.utils.data import DataLoade 阅读全文
posted @ 2022-10-24 13:10 cyberbase 阅读(499) 评论(0) 推荐(0)
在多分类任务实验中用torch.nn实现 𝑳𝟐 正则化
摘要：12、在多分类任务实验中用torch.nn实现 𝑳𝟐 正则化 L2正则化的功效作用： 1. 在深度学习中，用的比较多的正则化技术是L2正则化，其形式是在原先的损失函数后边再加多一项：12𝜆𝜃2𝑖12λθi2，那加上L2正则项的损失函数就可以表示为：𝐿(𝜃)=𝐿(𝜃)+𝜆∑𝑛𝑖 阅读全文
posted @ 2022-10-24 13:10 cyberbase 阅读(903) 评论(0) 推荐(0)
在多分类任务实验中手动实现 𝑳𝟐 正则化
摘要：11、在多分类任务实验中手动实现 𝑳𝟐 正则化 #导入必要的包 import torch import numpy as np import random from IPython import display from matplotlib import pyplot as plt impor 阅读全文
posted @ 2022-10-24 13:10 cyberbase 阅读(241) 评论(0) 推荐(0)
在多分类任务实验中用torch.nn实现dropout
摘要：10、在多分类任务实验中用torch.nn实现dropout #导入必要的包 import torch import torch.nn as nn import numpy as np import torchvision import torchvision.transforms as trans 阅读全文
posted @ 2022-10-24 13:09 cyberbase 阅读(578) 评论(0) 推荐(0)
在多分类任务实验中手动实现dropout
摘要：9、在多分类任务实验中手动实现dropout import torch import torch.nn as nn import numpy as np import torchvision import torchvision.transforms as transforms import mat 阅读全文
posted @ 2022-10-24 13:09 cyberbase 阅读(433) 评论(0) 推荐(0)
对多分类任务中的模型评估隐藏层层数和隐藏单元个数对实验结果的影响
摘要：8、对多分类任务中的模型评估隐藏层层数和隐藏单元个数对实验结果的影响 1.确定隐藏层的层数 对于一些很简单的数据集，一层甚至两层隐藏元都已经够了，隐藏层的层数不一定设置的越好，过多的隐藏层可能会导致数据过拟合。对于自然语言处理以及CV领域，则建议增加网络层数。 层数越深，理论上来说模型拟合函数的能力 阅读全文
posted @ 2022-10-24 13:09 cyberbase 阅读(1200) 评论(0) 推荐(0)
在多分类实验的基础上使用至少三种不同的激活函数
摘要：7、在多分类实验的基础上使用至少三种不同的激活函数 Relu 激活函数函数 优点： 1. 使用ReLU的SGD算法的收敛速度比 sigmoid 和 tanh 快。 2. 在x>0区域上，不会出现梯度饱和、梯度消失的问题。 3. 计算复杂度低，不需要进行指数运算，只要一个阈值就可以得到激活值。 缺点： 阅读全文
posted @ 2022-10-24 13:09 cyberbase 阅读(776) 评论(0) 推荐(0)
利用torch.nn实现前馈神经网络解决多分类问题
摘要：6、利用torch.nn实现前馈神经网络解决多分类问题 #导入必要的包 import torch import numpy as np from torch import nn from torchvision.datasets import MNIST import torchvision.tra 阅读全文
posted @ 2022-10-24 13:08 cyberbase 阅读(125) 评论(0) 推荐(0)
利用torch.nn实现前馈神经网络解决二分类问题
摘要：5、利用torch.nn实现前馈神经网络解决二分类问题 #导入必要的包 import torch import torch.nn as nn from torch.utils.data import TensorDataset,DataLoader from torch.nn import init 阅读全文
posted @ 2022-10-24 13:08 cyberbase 阅读(228) 评论(0) 推荐(0)
利用torch.nn实现前馈神经网络解决回归问题
摘要：4、利用torch.nn实现前馈神经网络解决回归问题 #导入必要的包 import torch from torch import nn import numpy as np import matplotlib.pyplot as plt from torch.utils.data import D 阅读全文
posted @ 2022-10-24 13:08 cyberbase 阅读(240) 评论(0) 推荐(0)
手动实现前馈神经网络解决多分类问题
摘要：3、手动实现前馈神经网络解决多分类问题 #导入必要的包 import torch import numpy as np import random from IPython import display import matplotlib.pyplot as plt from torch.utils 阅读全文
posted @ 2022-10-24 13:08 cyberbase 阅读(289) 评论(0) 推荐(1)
手动实现前馈神经网络解决二分类问题
摘要：2、手动实现前馈神经网络解决二分类问题 #导入必要的包 import numpy as np import torch from torch import nn from sklearn.model_selection import train_test_split import matplotli 阅读全文
posted @ 2022-10-24 13:07 cyberbase 阅读(339) 评论(0) 推荐(0)
手动实现前馈神经网络解决回归问题
摘要：1、手动实现前馈神经网络解决回归问题 #导入必要的包 import torch import numpy as np import random from IPython import display from matplotlib import pyplot as plt import torch 阅读全文
posted @ 2022-10-24 13:06 cyberbase 阅读(195) 评论(0) 推荐(1)
深度学习前馈神经网络实验
摘要：深度学习前馈神经网络实验 1、手动实现前馈神经网络解决回归问题 #导入必要的包 import torch import numpy as np import random from IPython import display from matplotlib import pyplot as plt 阅读全文
posted @ 2022-10-23 18:38 cyberbase 阅读(1015) 评论(0) 推荐(1)
深度学习第一个随笔
摘要：深度学习第一个随笔 阅读全文
posted @ 2022-10-23 17:00 cyberbase 阅读(71) 评论(0) 推荐(1)