用LSTM來(lái)做下那個(gè)預(yù)測(cè)問(wèn)題 LSTM要初始化的參數(shù)：input_size,hidden_size,num_layers,batch_first 注意，LSTM的輸入是inp...
發(fā)簡(jiǎn)信
IP屬地：吉林
-
Pytorch：十二的作業(yè) -
Pytorch：十二、RNN（基礎(chǔ)）實(shí)際上就是對(duì)線性層的復(fù)用？ 卷積層運(yùn)算復(fù)雜，但是權(quán)重不多（共享權(quán)重）；而FC層則是反一下，如果同一層的個(gè)數(shù)太多，那么其權(quán)重的數(shù)量可能會(huì)多到難以處理。因此，RNN就是專門用來(lái)處...
-
Pytorch：十一、CNN（高級(jí)）實(shí)際的CNN結(jié)構(gòu)可能要更為復(fù)雜，比如：分支，輸出拿來(lái)再用等； 分支網(wǎng)絡(luò)： other是指 如果還是跟之前一樣，一個(gè)個(gè)的去實(shí)例化的話，那么這個(gè)Net模型的代碼就會(huì)有一大堆的代碼...
-
Pytorch：十、卷積神經(jīng)網(wǎng)絡(luò)(基礎(chǔ))全連接網(wǎng)絡(luò)：網(wǎng)絡(luò)中所使用的全都是線性層，并且串行器來(lái)，就跟上一章的那個(gè)模型一樣的樣子： 線性層中輸入\出層的任意兩個(gè)節(jié)點(diǎn)之間都有權(quán)重，即所有輸入節(jié)點(diǎn)都要參與到下一層輸出的計(jì)算...
-
Pytorch：九、多分類問(wèn)題經(jīng)常使用softmax分類器 以Mnist數(shù)據(jù)集為例： 這里有10種數(shù)據(jù)類型，那么其對(duì)應(yīng)輸出該如何寫？ 我們希望y1-10之間具有競(jìng)爭(zhēng)性：也就是其中一個(gè)多了，其他幾個(gè)就得小。...
-
Pytorch：八的作業(yè)
拿神經(jīng)網(wǎng)絡(luò)寫一下泰坦尼克 導(dǎo)入數(shù)據(jù)，用dataset&dataloader 注意，之前的各種數(shù)據(jù)預(yù)處理在這里直接調(diào)用pd.get_dummies就可以完成了，挺方便的 定義模...
-
Pytorch：八、加載數(shù)據(jù)集Dataloader主要是拿出一些Mini-Batch來(lái)供訓(xùn)練時(shí)能夠快速使用。使用batch可以提升計(jì)算速度，但是其求值的性能會(huì)有些問(wèn)題。因此選用了Mini-Batch來(lái)進(jìn)行...
-
Pytorch：七、多維輸入在面對(duì)多維輸入時(shí)，σ函數(shù)的輸入就變成了： 通常把那兩個(gè)向量相乘記為z(i)； Mini-Batch (N samples)： pytorch的sigmoid函數(shù)是向量計(jì)算的，...
-
Pytorch：六、邏輯斯蒂回歸機(jī)器學(xué)習(xí)中大多數(shù)時(shí)候做的是分類任務(wù)； 通過(guò)MNIST來(lái)進(jìn)行下載 實(shí)際上這個(gè)模型并不是在算y的值是多少，而是y對(duì)每一個(gè)取值的概率，選取其中最大的那個(gè)來(lái)作為其值； 這些圖片可以通...
-
Pytorch：五、用pytorch實(shí)現(xiàn)線性回歸所含內(nèi)容如下： 如何構(gòu)造神經(jīng)網(wǎng)絡(luò)模型； 如何構(gòu)造損失函數(shù)； 如何構(gòu)造優(yōu)化器，如sgd(隨機(jī)梯度下降)； 用pytorch寫的模型彈性不錯(cuò)，可以擴(kuò)展為神經(jīng)網(wǎng)絡(luò)；總體步驟： 第二...
-
Pytorch：二、線性模型；三、梯度下降；四、反向傳播其實(shí)就是個(gè)函數(shù)y=ω * x + b通過(guò)不斷調(diào)參來(lái)確定最優(yōu)ω/b值從而確定最小損失： 畫曲線圖： 三、梯度下降法 就是通過(guò)求導(dǎo)后找優(yōu)化的點(diǎn)來(lái)找到最優(yōu)點(diǎn)： 在使用梯度下降時(shí)...
-
Pytorch：一、概述目標(biāo) 如何通過(guò)pytorch來(lái)實(shí)現(xiàn)一個(gè)學(xué)習(xí)系統(tǒng)； 理解基本的NN/DL； 表示學(xué)習(xí)：特征提取，提取代表性最好的幾個(gè)特征來(lái)代表數(shù)量龐大的整體，但是偏淺層；深度學(xué)習(xí)：就是深層次的...
-
sklearn：六、聚類算法6.1 概述 6.1.1 無(wú)監(jiān)督學(xué)習(xí)與聚類算法 無(wú)監(jiān)督學(xué)習(xí)：在訓(xùn)練的時(shí)候只需要特征矩陣X，不需要標(biāo)簽； 聚類算法/無(wú)監(jiān)督分類作用：將數(shù)據(jù)劃分成有意義或有用的組（或簇）； 6....
-
深度學(xué)習(xí)：三、淺層神經(jīng)網(wǎng)絡(luò)其實(shí)有些東西已經(jīng)在sklearn的那個(gè)里面講過(guò)了，這邊補(bǔ)充點(diǎn)沒(méi)講過(guò)的吧 3.5 向量化實(shí)現(xiàn)的解釋 以下面這個(gè)前向傳播為例： 此時(shí)，W[1]就是一個(gè)矩陣，而x(i)都是列向量，...
-
sklearn：十二、深度學(xué)習(xí)入門十二、深度學(xué)習(xí)入門 12.1 神經(jīng)網(wǎng)絡(luò) 其實(shí)就是讓模型學(xué)習(xí)人類的思考方式來(lái)進(jìn)行學(xué)習(xí)以及解決問(wèn)題 那么就用圓來(lái)代表神經(jīng)元，用線來(lái)代表神經(jīng)流動(dòng)方向，從而形成如下結(jié)構(gòu)： 像這樣的結(jié)...
-
深度學(xué)習(xí)：二、神經(jīng)網(wǎng)絡(luò)的編程基礎(chǔ)二、神經(jīng)網(wǎng)絡(luò)的編程基礎(chǔ) 2.1 二分類(Binary Classification) 前向暫停\傳播(forward pause\propagation)/：數(shù)據(jù)從輸入層傳入...
-
數(shù)據(jù)挖掘:理論與算法筆記3-從貝葉斯到?jīng)Q策樹(shù)上一篇: 數(shù)據(jù)挖掘:理論與算法筆記2-數(shù)據(jù)預(yù)處理下一篇: 數(shù)據(jù)挖掘:理論與算法筆記4-神經(jīng)網(wǎng)絡(luò) 3 從貝葉斯到?jīng)Q策樹(shù): 意料之外，情理之中 3.1 貝葉斯奇幻之旅 分類 魚(yú)的...
-
sklearn：十一、XGBoost—22.10.2~3十一、XGBoost 11.1 梯度提升樹(shù) class xgboost.XGBRegressor (max_depth=3, learning_rate=0.1, n_est...
-
深度學(xué)習(xí)：一、神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)—22.9.26~27一、神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí) 1.1 什么是神經(jīng)網(wǎng)絡(luò) 常用深度學(xué)習(xí)來(lái)指訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過(guò)程，以房?jī)r(jià)預(yù)測(cè)為例：假設(shè)你有一個(gè)數(shù)據(jù)集，它包含了六棟房子的信息。所以，你知道房屋的面積是多少平...