一、介绍 人工神经网络（Artificial Neural Network，ANN）简称神经网络（Neural Network，NN）或类神经网络，是一种模仿生物神经网络的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。基于神经网络、动
转载
2023-08-29 10:07:54
352阅读
共线性的处理：岭回归引入多重共线性问题：当自变量间存在明显共线性时不能直接使用最小二乘法进行回归分析。 共线性即多个自变量中存在某个或多个自变量可以被其他自变量表示，从而显得较为冗余。 一般的处理方法是：岭回归岭回归是用于共线性数据分析的有偏估计回归方法本质：是引入惩罚系数 k 以求得更稳健的系数估计值;是改良的最小二乘法放弃了最小二乘法的无偏性、损失部分信息、降低精度、效果稍差，但得到了回归系数
神经网络是一种模拟人脑神经系统的计算模型，通过模拟神经元之间的连接和传递信息来实现学习和识别任务。在神经网络中，变量是一个重要的概念。变量可以是实数、向量或矩阵等，而分类变量则是其中一种特殊的情况。在本文中，我们将介绍神经网络中的分类变量，并给出相应的代码示例。
分类变量是指只能取离散值的变量，例如性别、颜色、类别等。在神经网络中，我们通常使用独热编码（one-hot encoding）来表示分
原创
2023-09-07 12:28:27
111阅读
文章写的不清晰请大家原谅QAQ 这篇文章我们将用 CIFAR-10数据集做一个很简易的图片分类器。 在 CIFAR-10数据集包含了60,000张图片。在此数据集中，有10个不同的类别，每个类别中有6,000个图像。每幅图像的大小为32 x 32像素。虽然这么小的尺寸通常给人类识别正确的类别带来了困难，但它实际上是对计算机模型的简化并且减少了分析图像所需的计算。
文章目录6 分类任务6.1 前置知识6.1.1 分类6.1.2 分类的网络6.2 动手6.2.1 读取数据6.2.2 functional模块6.2.3 继续搭建分类神经网络6.2.4 继续简化6.2.5 训练模型6.3 暂退法6.3.1 重新看待过拟合问题6.3.2 在稳健性中加入扰动6.3.3 暂退法实际的实现6.4 后话 6 分类任务在这一讲中，我们打算探讨一下神经网络中是如何处理分类任务
文章目录一、前言二、VGG-16网络介绍三、VGG-16网络搭建与训练3.1 网络结构搭建3.2 模型训练3.3 训练结果四、总结一、前言 刚入门卷积神经网络，在cifar-10数据集上复现了LeNet、AlexNet和VGG-16网络，发现VGG-16网络分类准确率最高，之后以VGG-16网络为基础疯狂调参，最终达到了90.97%的准确率。（继续进行玄学调参，可以更高）二、VGG-16网络介绍
1 import numpy as np
2
3 '''
4 前向传播函数：
5 -x ：包含输入数据的numpy数组，形状为（N,d_1,...,d_k）
6 -w ：形状为（D,M）的一系列权重
7 -b ：偏置，形状为（M，）
8
9 关于参数的解释：
10 在我们这个例子中输入的数据为
11 [[2,1],
12 [-1,1],
13
转载
2023-07-04 19:36:19
111阅读
这篇文章主要介绍卷积神经网络1998年到2019年的20多种经典的网络，体会每种网络的前世今身以及包含的深邃思想。算是一个总结性的博客吧。。。目录一、1998年：LeNet二、2012年：AlexNet三、2013年：ZFNet四、2014年:亚军——VGGNet冠军——GoogLeNet五、2015年：ResNet六、2016年：DenseNet七、2017年：SENet一、1998年：LeNe
概念：人工神经网络是在现代神经生物学研究基础上提出的模拟生物过程，反映人脑某些特性的一种计算结构。人工神经元模型中的激活函数 其中 w_i·x_i为输入信号加权，θ为阈值（偏置量） 常见的形式有四种：阶跃式sigmoidReLuELu人工神经元网络神经元与神经元之间彼此连接成复杂的网络才有用。有两种主要的人工神经元网络。前馈型神经网络信息时有层次的，总是从前一层的神经元单向传递到下一层 隐含层的神
转载
2023-08-11 11:52:47
170阅读
1. 人工神经网络1.1 神经网络结构 人工神经网络（简称神经网络）是模拟人类大脑神经元构造的一个数学计算模型。 一个神经网络的搭建，需要满足三个条件。输入和输出权重（w）和阈值（b）多层感知器的结构1.2 神经网络运作过程其中，最困难的部分就是确定权重（w）和阈值（b）。必需有一种方法，可以找出答案。这种方法就是试错法。其他参数都不变，w（或b）的微小变动，记作Δw（或Δb），然后观察输出有什么
【前馈神经网络】 前馈神经网络也叫做全连接网络。缺点：在图像识别中会将多维向量平铺成一维向量，会丢失像素点之间的距离关系。无法将局部的权重应用到其他位置，带来的后果就是，如果在一个图像的右上角有一只猫，可以正确分类；当这只猫出现在左下角时，无法正确识别。（没有平移不变性）【卷积神经网络】卷积神经网络就是让权值在不同位置共享的神经网络。（卷积神经网络解决了前馈神经网络的什么问题？）局部连接空间共享【
1、什么是分类变量？通常来说，分类变量是用来表示某一属性的类别或标识的。例如：一年中的四季，月份，OS，brand，行业（银行、保险、券商、科技......），地区等等；大型分类变量例如：IP地址，用户ID，语料库的词汇表等等一般的，分类变量有个显而易见的特点：数量有限且无序，不具有数值型数据大小的含义。因此在很多涉及到数值度量的模型中，如：LR，SVM等，我们不能像处理数值型变量那样来处理分类变
微调神经网络超参数神经网络的灵活性其实也是它的缺点：有太多的超参数需要调整。神经网络的灵活性可以让我们使用任何想象中的网络架构，但是即使一个简单的MLP，我们也要考虑层的数量，每层神经元的数量，每层使用的激活函数的类型，权重初始化逻辑等等。那么我们要怎么知道那种超参数组合最适合解决问题呢？一个解决方式就是尝试各种超参数组合方式然后看那种组合在验证集上的表现最好（或者使用
代价函数首先引入一些便于稍后讨论的新标记方法： 假设神经网络的训练样本有 m 个，每个包含一组输入 x 和一组输出信号 y，L 表示神经网络层数，Sl 表示每层的 neuron 个数(SL 表示输出层神经元个数)，SL 代表最后一层中处理单元的个数。 将神经网络的分类定义为两种情况：二类分类和多类分类， 二类分类：SL=1, y=0 or 1 表示哪一类； K 类分类：SL=K, yi =
摘要： 理解视频中的人体行为在视频监控、自动驾驶以及安全保障等领域有着广泛的应用前景。目前视频中的人体行为分类研究是对分割好的视频片段进行单人的行为分类。对视频中的人体行为分类研究已经从最初的几种简单人体动作到几乎包含所有日常生活的几百类行为。近些年来基于RGB视频数据的先进深度行为分类模型可以分为三类：基于双流架构的、基于循环神经网络RNN的和基于3D卷积神经网络的。本文将详细介绍前两
文章目录1.文件介绍2.核心算法cnn算法3.操作步骤1.预处理数据2.生成数据集3.执行训练4.执行预测5.框架安装方法6.代码测试模型：infer_model模型：infer_model1预测图片7.链接 1.文件介绍create_data_start.py 文本处理方法create_data_utils.py 文本处理工具model.py 模型文件1 多模态学习文件，这是针对不规则数据集的
转载
2023-08-12 21:29:15
70阅读
本代码在原链接代码的基础上进行了简化，改成了通用版本，只需设置必要参数（特别是 trainNum 的合理设置对分类结果尤为重要，一般在样本总量的85%左右较为合适，可根据实际需要自行调整）即可正常运行。本代码测试样例的data数据链接：链接：https://pan.baidu.com/s/1WP6wbK2jTW去掉我FQ6ZuRck05Vg 提取码：s85n %% 该代码为基于
上年度在人工智能技术积累方面进步还是蛮大。首先是卷积神经网络（CNN)，CNN在图像识别、目标检测方面应用最成熟。 文章目录1 卷积神经网络1.1 图片分类网络1.2 图像分割网络1.3目标检测网络2 循环神经网络3：迁移学习4：生成对抗网络5：强化学习 1 卷积神经网络围绕卷积神经网络出现了一大堆衍生的网络结构，例如:1.1 图片分类网络AlexNet、VGGNet、GoogLeNet、ResN
目录 1.卷积神经网络解决的问题2.经典的卷积神经网络2.1 LeNet2.2 AlexNet2.3 VGG2.3.1 VGG块2.3.2 VGG网络2.4 NiN2.4.1 Nin块2.4.2 Nin网络2.5 GooLeNet2.5.1 Inception块2.5.2 GoogLeNet网络2.6 ResNet2.6.1 残差块2.6.2 残差网络2.7 DenseNet1.卷积神经
分类用于确定数据所归属的类别，而回归是根据已知的数据进行推断或估计某个未知量，比如根据年龄和教育水平进行收入预测分析。分类的典型应用是垃圾邮件过滤和字符识别。虽然神经网络适用于分类和回归，但却很少用于回归。这不是因为它的性能不好，而是因为大多数回归问题可以用更简单的模型来解决。（回归问题过于简单，采用神经网络通常是大材小用了！！！）在将神经网络应用于分类时，一般来说，网络的输出层节点数量与数据分类
