摘要：
反向传播算法：攻克多层感知机训练难题的关键革命 在神经网络发展的历史长河中，多层感知机（Multilayer Perceptron，MLP）曾因训练难题被束之高阁，而反向传播算法（Backpropagation） 的出现，犹如一把钥匙，打开了多层神经网络实用化的大门。它不仅解决了多层感知机梯度计算的 阅读全文
posted @ 2025-12-07 22:15
wangya216
阅读(46)
评论(0)
推荐(0)
摘要：
卷积神经网络是从多层感知机基础上发展起来的吗？ 在深度学习的发展历程中，卷积神经网络（CNN）和多层感知机（MLP）是两大核心架构，二者时常被放在一起比较。一个常见的疑问是：卷积神经网络是否从多层感知机的基础上发展而来？ 答案是：CNN并非MLP的直接衍生产物，二者是基于不同设计理念、并行发展的神经 阅读全文
posted @ 2025-12-07 22:04
wangya216
阅读(38)
评论(0)
推荐(0)
摘要：
澄清：梯度下降优化的是模型参数，而非损失函数本身 在深度学习的表述中，“通过梯度下降（如SGD、Adam）优化损失函数”是一个口语化的简化说法，很容易引发误解——它的真实含义并不是修改损失函数的公式或参数，而是通过调整神经网络的可学习参数，来最小化损失函数的取值。下面我们从概念本质、操作流程和易混点 阅读全文
posted @ 2025-12-07 21:55
wangya216
阅读(23)
评论(0)
推荐(0)
摘要：
梯度下降：站在碗壁，如何找到最低点？ 想象你站在一个巨大、光滑的陶瓷碗的内壁上。 你被蒙住眼睛，看不见碗底，也看不到碗口——但你知道：真正的目标在碗的最底部。 这，就是深度学习中“梯度下降”的核心画面。 🥣 为什么是“碗”？——损失函数的形状 在训练AI模型时，我们用一个叫 损失函数（Loss F 阅读全文
posted @ 2025-12-07 21:41
wangya216
阅读(12)
评论(0)
推荐(0)
摘要：
梯度：明明是个“方向”，为啥偏叫“度”？ 提到“梯度”，很多人第一次见这个词都会犯嘀咕： 它明明是深度学习里给模型指路的“方向标”，告诉模型该往哪走才能让预测更准，怎么看都是个方向概念，为啥名字里带个“度”字？ 这事儿得从数学老祖宗的“起名艺术”和它的真实本领说起。 先给结论：梯度的“度”，不是“角 阅读全文
posted @ 2025-12-07 21:36
wangya216
阅读(32)
评论(0)
推荐(0)
摘要：
不同深度学习框架中实现人工神经元基本计算单元的模块对比 在人工神经网络中，最核心的计算单元遵循统一的数学形式： \[\mathbf{y} = f(\mathbf{W}\mathbf{x} + \mathbf{b}) \]其中： \(\mathbf{x}\) 是输入向量， \(\mathbf{W}\) 阅读全文
posted @ 2025-12-07 21:04
wangya216
阅读(9)
评论(0)
推荐(0)
摘要：
一文读懂激活函数 激活函数是让神经网络从“只能拟合直线”变成“能拟合复杂曲线”的关键。没有激活函数，再深的神经网络也只是个“线性回归的堆叠”；有了激活函数，神经网络才能识别图像、翻译语言、预测复杂规律。 今天我们就用通俗的语言，讲透激活函数的核心逻辑：它是什么、为什么需要它、常用激活函数有哪些，以及 阅读全文
posted @ 2025-12-07 20:46
wangya216
阅读(56)
评论(0)
推荐(1)
摘要：
一文读懂MindSpore的construct方法：神经网络的“自动流水线” 在MindSpore里写神经网络时，总有个绕不开的construct方法——它既不用我们手动调用，却能让模型自动完成从输入到输出的计算。很多新手会疑惑：这方法到底是干啥的？啥时候会跑起来？为啥不能直接写个forward函数 阅读全文
posted @ 2025-12-07 20:26
wangya216
阅读(12)
评论(0)
推荐(0)
摘要：
实操教程：MindSpore中确定神经网络隐藏层与输出层神经元数量 在神经网络建模中，隐藏层/输出层神经元数量的配置直接决定模型性能。不合理的设置会导致欠拟合、过拟合或训练收敛困难。本文基于MindSpore框架，通过理论+完整代码实操，系统讲解输出层与隐藏层神经元数量的确定逻辑，涵盖鸢尾花3分类、 阅读全文
posted @ 2025-12-07 20:25
wangya216
阅读(10)
评论(0)
推荐(0)
摘要：
scikit-learn 能否做深度学习？——兼谈不同神经元数量的模型对比实验实现 在机器学习工具选型中，很多人会有一个疑问：scikit-learn（简称sklearn）只支持传统机器学习，不包含深度学习功能吗？ 答案是：不完全准确。sklearn 的核心定位是传统机器学习（如决策树、SVM、逻辑 阅读全文
posted @ 2025-12-07 20:15
wangya216
阅读(16)
评论(0)
推荐(0)
摘要：
“人工神经元只能有一个输入？”—— 澄清输入层、隐藏层与输出层的关键差异 在学习人工神经网络时，很多人会被三个核心问题绕晕：一是“人工神经元是不是只能有一个输入？”，尤其看到“输入层节点数量等于特征数”时容易误解；二是“隐藏层、输出层神经元的参数是不是都一样？”；三是“‘加权求和+偏置+输出’的整体 阅读全文
posted @ 2025-12-07 20:08
wangya216
阅读(27)
评论(0)
推荐(0)
摘要：
从人脑神经元到MindSpore深度神经网络：感知机、多层感知器与卷积神经网络的通俗解读 我们的大脑之所以能完成思考、判断、感知等复杂任务，核心在于其内部千亿级神经元组成的精密网络。当科学家试图用机器复刻这种智能时，便诞生了“人工神经网络”，而感知机正是这一领域的“初代基石”，多层感知器实现了从单神 阅读全文
posted @ 2025-12-07 09:19
wangya216
阅读(57)
评论(0)
推荐(0)
摘要：
从人脑神经元到PyTorch深度神经网络：感知机、多层感知器与卷积神经网络的通俗解读 我们的大脑之所以能完成思考、判断、感知等复杂任务，核心在于其内部千亿级神经元组成的精密网络。当科学家试图用机器复刻这种智能时，便诞生了“人工神经网络”，而感知机正是这一领域的“初代基石”，多层感知器实现了从单神经元 阅读全文
posted @ 2025-12-07 09:16
wangya216
阅读(15)
评论(0)
推荐(0)
浙公网安备 33010602011771号