# 1.神经网络的学习前提和步骤前提神经网络存在合适的权重和偏置。步骤一（挑选mini-batch）从训练数据中随机选出一部分数据，这部分数据称为mini-batch。 我们的目标是减少mini-batch这部分数据的损失函数的值。步骤二（计算梯度）为了减小mini-batch这部分数据的损失函数的值，需要求出有关各个权重参数的梯度。步骤三（更新参数）将权重参数沿梯度方向进行微小更新。步骤四（重复
转载
2024-01-13 06:54:07
159阅读
问题在之前的学习过程中，我们学习了如何搭建全连接神经网络训练Mnist数据集。初始时，全连接神经网络训练结果验证集和训练集的精确度不高，在对数据进行归一化，调参等操作提高了精确度。我们这次使用Le-Net5和VGG对MNIST进行训练，VGG采样层太多，计算量庞大，我们只进行搭建，也可以采用Google Colab进行训练。比较全连接和卷积神经网络异同。Le-net5网络如下。方法搭建le-net
转载
2024-01-04 19:41:04
107阅读
多类别分类，这种模型可从多种可能的情况中进行选择。 1- 一对多一对多提供了一种利用二元分类的方法。鉴于一个分类问题会有 N 个可行的解决方案，一对多解决方案包括 N 个单独的二元分类器，每个可能的结果对应一个二元分类器。在训练期间，模型会训练一系列二元分类器，使每个分类器都能回答单独的分类问题。以一张狗狗的照片为例，可能需要训练五个不同的识别器，其中四个将图片看作负样本（不是狗狗），一
转载
2024-03-12 19:48:35
106阅读
第二周学习：卷积神经网络基础Part 1：视频学习1、卷积神经网络的应用卷积神经网络无处不在：可用于分类、检索、检测、分割具体举例：人脸识别（分类、检测等）、图像生成（GAN）、图像风格转换、自动驾驶（分类、分割等结合）2、传统神经网络vs卷积神经网络（1）搭建神经网络的步骤：①搭建神经网络结构②找到合适的损失函数（如：交叉熵损失函数、均方误差等）③找到合适的优化函数，更新参数（如：BP算法、随机
转载
2023-12-10 12:43:13
91阅读
如今AI的很多进步都要归功于大型神经网络，尤其是大公司和研究机构提供的预训练模型更是推动了下游任务的进步。但想自己动手训练一个大型神经网络并不简单，首先要面对的就是海量的数据、多机协调和大量GPU的调度工作。一提到「并行」，冥冥之中就会感觉多了很多隐藏的bug。最近OpenAI发布了一篇文章，详细介绍了一些训练大型神经网络的相关技术及底层原理，彻底消除你对并行的恐惧！比如以并行训练一个三层的神经网
转载
2024-02-05 20:52:11
402阅读
文章目录一、实验要求二、实验目的三、实验内容四、实验总结 对应代码已同步上传资源内，如所需请自行下载。 一、实验要求在计算机上验证和测试多层神经网络针对不同数据集的训练效果，同时查阅相关资料。二、实验目的1、掌握sklearn开发环境 2、掌握sklearn.neural_network 下的神经网络分类器 MLPClassifier； 3、掌握sklearn.linear_model 下的感知
转载
2024-03-05 17:12:55
39阅读
1、常见参数net.trainParam.epochs 最大训练次数net.trainParam.goal 训练要求精度net.trainParam.lr 学习速率net.trainParam.show 显示训练迭代过程net.trainParam.time 最大训练时间 一
转载
2023-10-30 22:53:44
204阅读
视频学习卷积神经网络基本应用：图片分类、检索、检测、分割，人脸验证、人脸识别、遗传病识别、人脸表情识别、图像生成、图像风格转化、自动驾驶深度学习三部曲：1.搭建神经网络 2.找一个合适的损失函数 3.找一个合适的优化函数更新参数损失函数：用来衡量吻合度，来调整参数，使映射结果与实际类别吻合。常用分类损失：交叉熵损失、hinge loss常用回归损失：均方误差、平均绝对值误差（L1损失）传统神经网络
转载
2023-12-08 08:09:39
86阅读
神经网络的学习学习：从训练数据中自动获取最优权重参数的过程指标：损失函数目的：以损失函数为基准，找到能使损失函数的值达到最小的权重参数机器学习的方案
从图像中提取特征量（可以从输入数据中准确提取本质数据的转换器）用机器学习技术学习特征量的模式CV领域常用的特征量包括SIFT，SURF和HOG深度学习有时也成为端到端机器学习（end-to-end machine learning),从原始数据中获得
转载
2023-12-07 19:29:51
85阅读
以前一直知道神经网络划分数据集时要分为训练集，测试集和验证集，但不知道并且一般以6：2：2的比例划分，到头来不知道这三者各是啥，以及他们的作用是什么。本片文档解释一下三者的作用。重点在于验证集和测试集的区别以及用处。1. 三者的功能简述在机器学习中，我们的模型一般包括以下几点：（1）模型设计；（2）模型架构（模型多少层，每层神经元个数）；（3）神经元内置参数；（4）模型训练的参数：超参数（模型外置
转载
2023-08-11 17:49:46
190阅读
神经网络纯小白入门学习笔记一、概述二、神经网络的例子三、激活函数3.1 sigmoid函数3.2 阶跃函数的实现3.3 阶跃函数的图形3.4 sigmoid函数的实现3.5 sigmoid函数和阶跃函数的比较3.6 ReLU函数四、多维数组的运算4.1 多维数组的概述五、神经网络的设计5.1 神经网络的内积5.2 三层神经网络的实现5.2.1 符号确认5.2.2 各层神经元之间的实现5.2.3
转载
2023-08-30 16:36:49
157阅读
作者： Alberto Quesada 译者： KK4SBB 责编：何永灿， 神经网络模型的每一类学习过程通常被归纳为一种训练算法。训练的算法有很多，它们的特点和性能各不相同。
问题的抽象 人们把神经网络的学习过程转化为求损失函数f的最小值问题。一般来说，损失函数包括误差项和正则项两部分。误差项衡量神经网络模型在训练数据集上的拟合程度，而正
转载
2024-03-06 05:30:40
83阅读
完整的 PyTorch 模型训练的过程：1、数据预处理：首先，需要加载和准备数据。这可以通过使用 torchvision 和 torch.utils.data 中的数据加载器来完成。同时要进行数据预处理，例如缩放、裁剪、旋转、填充等。2、构建模型：接下来，需要定义神经网络模型。PyTorch 提供了一个 nn 模块来快速构建神经网络。该模块包括各种层（例如全连接层、卷积层、池化层等），可以使用它们
转载
2023-08-21 11:37:58
272阅读
本文涉及到的是中国大学慕课《人工智能实践：Tensorflow笔记》第四讲第六节的内容，通过tensorflow实现神经网络参数的acc/loss可视化，从而查看网络的训练效果。准确率acc与损失值loss的保存在下面所示的代码中，model.fit执行网络的训练时，已经同步记录了acc和loss的信息，保存在history中。# 第五步，执行训练
history=model.fit( 训练集数据
转载
2023-10-27 17:00:52
94阅读
深度神经网络是如何训练的？Coursera的Ng机器学习，UFLDL都看过。没记错的话Ng的机器学习里是直接给出公式了，虽然你可能知道如何求解，但是即使不知道完成作业也不是问题，只要照着公式写就行。反正我当时看的时候心里并没能比较清楚的明白。我觉得想了解深度学习UFLDL教程-Ufldl是不错的。有习题，做完的话确实会对深度学习有更加深刻的理解，但是总还不是很清晰。后来看了LiFeiFei的Sta
转载
2024-01-16 22:13:43
80阅读
有一个训练了12个小时的神经网络，各方面看起来都不错：梯度缓慢下降、损失也在逐渐降低，但是预测结果却不好：输出全是0值（全都预测为背景），没有检测出任何标签。“到底是什么地方出错了？”——叫天天不应叫地地不灵╮(╯▽╰)╭ 对于上述情况，或者另一种垃圾输出的情况——预测值只是所有标签的平均值，再或者更差的情况，模型准确率非常低…我们应该从什么地方开始检查模型呢？如何使用这个指南网络训练效
转载
2024-03-08 21:33:29
31阅读
神经网络模型的训练过程其实质上就是神经网络参数的设置过程在神经网络优化算法中最常用的方法是反向传播算法，下图是反向传播算法流程图：从上图可知，反向传播算法实现了一个迭代的过程，在每次迭代的开始，先需要选取一小部分训练数据，这一小部分数据叫做一个batch。然后这一个batch会通过前向传播算法得到神经网络的预测结果。计算出当前神经网络的预测答案与正确答案之间的差距（有监督学习，在训练时有一个标注好
转载
2023-07-05 22:14:52
233阅读
1、先别着急写代码训练神经网络前，别管代码，先从预处理数据集开始。我们先花几个小时的时间，了解数据的分布并找出其中的规律。
Andrej有一次在整理数据时发现了重复的样本，还有一次发现了图像和标签中的错误。所以先看一眼数据能避免我们走很多弯路。
转载
2023-07-31 16:44:18
72阅读
神经网络构建好，训练不出好的效果怎么办？明明说好的拟合任意函数(一般连续)(为什么？可以参考http://neuralnetworksanddeeplearning.com/)，说好的足够多的数据(https://en.wikipedia.org/wiki/Occam's_razor)，仔细设计的神经网络都可以得到比其他算法更好的准确率和泛化性
转载
2023-11-08 00:30:54
64阅读
简单来说，预训练模型(pre-trained model)是前人为了解决类似问题所创造出来的模型。你在解决问题的时候，不用从零开始训练一个新模型，可以从在类似问题中训练过的模型入手。比如说，如果你想做一辆自动驾驶汽车，可以花数年时间从零开始构建一个性能优良的图像识别算法，也可以从Google在ImageNet数据集上训练得到的inception model(一个预训练模型)起步，来识别图像。一个预
转载
2024-01-17 08:01:21
47阅读
