摘要：
# 测试 从图中我们可以发现，随着训练次数的增加，Loss越来越小，准确率也是越来越高·。但是在到达某个节点后，随着训练次数的增多Loss反而不稳定起来，准确率也发生波动。所以说明模型的训练并不是次数越多越好。这是因为对于同一个训练集，不断地训练会让模型记住这些样本的一些表面属性，使其在新的数据集上 阅读全文
posted @ 2023-05-31 21:32
同淋雪
阅读(75)
评论(0)
推荐(0)
摘要：
# Pytorch高级api搭建多层感知机实战 代码 ```python import torch import torch.nn.functional as F import torch.optim as optim from torchvision import datasets, transf 阅读全文
posted @ 2023-05-30 20:55
同淋雪
阅读(73)
评论(0)
推荐(0)
摘要：
# 多分类问题实战 定义一个简单的神经网络模型，并使用SGD优化算法进行训练和测试MNIST数据集 ```python import torch import torch.nn.functional as F import torch.optim as optim """ torchvision 可 阅读全文
posted @ 2023-05-30 20:55
同淋雪
阅读(155)
评论(0)
推荐(0)
摘要：
# 常见LOSS函数之Cross Entropy(交叉熵) 交叉熵是分类问题常用的损失函数。 ## 熵 熵表示稳定性或者说惊喜度，熵越高表示越稳定，其惊喜度就越低。 
评论(0)
推荐(0)
摘要：
# 反向传播 将输入值与参数用向量的形式表示，神经网络可以简化为：  损失函数为：  求导  pytorch 阅读全文
posted @ 2023-05-25 18:43
同淋雪
阅读(89)
评论(0)
推荐(0)
摘要：
# 多层感知机的梯度推导  pytorch实现 注：torch.randn(m,n)生成m行n列 阅读全文
posted @ 2023-05-25 18:37
同淋雪
阅读(18)
评论(0)
推荐(0)
摘要：
# 单层感知机的梯度推导  w10表示前一层的第1节点和这一层的第0节点相连。 
浙公网安备 33010602011771号