有监督学习(Supervised learning)是一种有示教信号的学习方法，也就是已知一部分数据及其相应的标签(Label)，然后建立模型并选取相应的损失函数(Loss function)，通过最小化损失函数的方法得到最优模型参数，其中，最小化损失函数的过程就是训练过程。 图2 监督学习训练过程 有监督学习一般用于解决两类问题：回归问题(Regression)和分类问题(Class
Model Scaling(模型扩展)一直以来都是提高卷积神经网络效果的重要方法。比如说ResNet可以增加层数从ResNet18扩展到ResNet200，GPipe通过对基线网络的四倍扩展在ImageNet上可以达到84.3%的准确率。本节要介绍的最新网络结构——EfficientNet，就是一种标准化模型扩展的结果。通过下面这张图，我们可以直观的感受一下EfficientNet B
转载
2024-09-20 18:15:27
96阅读
分类模型和回归模型本质一样，分类模型是将回归模型的输出离散化。举几个例子:1. Logistic Regression 和 Linear Regression：Linear Regression： 输出一个标量 wx+b，这个值是连续值，所以可以用来处理回归问题。Logistic Regression：把上面的 wx+b 通过 sigmoid函数映射到(0,1)上，并划分一个阈值，大于阈值的分为一
转载
2024-06-11 15:56:19
100阅读
一、网络分类1.按覆盖范围分类局域网（LAN）城域网（MAN）广域网（WAN）2.按拓扑结构分类总线型（安装方便、成本低、共享带宽）环型（安装容易、容量有限、不怎么使用了）星型（使用较多）树型（使用较多）3.按照传输截止分类双绞线（有效传输距离100米）
直通线（不同类型设备连接使用：计算机PC-交换机Switch，交换机Switch-路由器Router）交叉线全返线（console线，配置
转载
2024-09-18 16:04:55
61阅读
分类和回归的区别在于输出变量的类型。 定量输出称为回归，或者说是连续变量预测； 定性输出称为分类，或者说是离散变量预测。回归是统计学的一个重要概念，其本意是根据之前的数据预测一个准确的输出值。回归算法：线性回归是一种基本的回归算法，当给出相应的训练集后，通过线性回归来寻找合适参数θ（向量）使得Hypothesis函数的Cost function最小。分类算法：逻辑回归是一个分类算法，逻辑回归的Hy
转载
2023-12-21 10:40:05
145阅读
网络一惯被人们用virtual来形容，就像网络游戏，有多少年轻人沉迷于里面？为什么？有一个原因无非在于他们都想再这面扮演另一自我，一个梦想中的自我——高级别，极品装备，做老大......这个虚拟世界给人的东西就是在于能让你感受这种享受。许许多多的大学生都沉迷在这里面，为什么呢？太简单了，就是因为大学和他们梦想中的大学差别太大了！（扯远了，扯远了，继续）
六度分隔（Six Degrees
转载
2024-05-21 16:15:54
62阅读
本文介绍基于Python语言中TensorFlow的Keras接口，实现深度神经网络回归的方法~
本文介绍基于Python语言中TensorFlow的Keras接口，实现深度神经网络回归的方法。目录1 写在前面2 代码分解介绍2.1 准备工作2.2 参数配置2.3 数据导入与数据划分2.4 联合分布图绘制2.5 因变量分离与数据标准化2.6 原有模型
转载
2023-12-22 20:34:08
143阅读
1. 神经网络概念首先我们要了解神经网络的形式，之所以被叫做神经网络，是因为它的工作原理和人的大脑神经相似。 这是一个房屋预测的案例，我们输入房屋的大小，卧室的个数，邮政编码，财富，经过神经元的一系列计算，得到预测值price（房屋的价格）2. 前向传播和反向传播1.1. 前向传播假设我们有个神经网络，有这样一个代价函数 前向传播就是下面的蓝色的线，可以简单理解为输入数据求出输出值1.2. 反向传
转载
2023-09-18 12:49:59
224阅读
Deep Ordinal Regression Network for Monocular Depth Estimation作者：Huan Fu、 Mingming Gong 、Chaohui Wang 、Kayhan Batmanghelich 、Dacheng Tao摘要：单目景深估计是一个不适定问题，在理解三维场景几何中起着至关重要的作用。近年来，通过从深卷积神经网络（DCNNs）中挖掘图像
转载
2024-01-21 23:30:50
182阅读
通过上一篇分类网络的介绍，我们知道网络的宽度和深度可以很好的提高网络的性能，深的网络一般都比浅的的网络效
原创
2024-08-20 09:23:16
107阅读
深度学习在图像邻域的应用大致可以分为图像分类、目标检测、图像分割三大类，其中图像分割又可以细分为语义分割
原创
2024-08-20 09:24:01
747阅读
tf.estimator API技术手册（8）——DNNClassifier（深度神经网络分类器）（一）简 介（二）初始化（三）属 性（Properties）（四）方 法（Methods）（1）evaluate（评估）（2）predict（预测）（3）train（训练） （一）简 介继承自Estimator，定义在tensorflow/python/estimator/canned/dnn.py
转载
2023-12-10 01:59:40
99阅读
第一层卷积层，使用两个GPU分别计算48个核，然后进行ReLU激活函数，对其结果进行Local Response Normalized。使用ReLU比tanh和sigmoid等饱和函数要快。Local Response Normalized（局部相应归一化）由于ReLU的值域没有区间，所以要对其结果进行归一化，公式为 就是对ReLU求出来的数据（x，y）周围进行归一化 进行归一化后可以加快梯度下降
转载
2024-01-21 02:26:30
42阅读
文章目录前言一、深度学习简介step1:神经网络全连接前馈神经网络矩阵运算step2：模型评估step3：选择最优函数反向传播链式法则反向传播 前言主要学习了深度学习中最重要的反向传播的知识点。一、深度学习简介深度学习三步骤==1.神经网络 2.模型评估 3.选择最优函数step1:神经网络神经网络由神经元组成。（红色方框中就算一个神经元）神经元（逻辑回归函数）有权重和偏差（即参数） 已知神经元
转载
2023-10-20 09:08:05
223阅读
深度残差网络：深度残差网络的设计就是为了克服这种由于网络深度加深而产生的学习效率变低，准确率无法有效提升的问题（也称为网络退化）。甚至在一些场景下，网络层数的增加反而会降低正确率。这种本质问题是由于出现了信息丢失而产生的过拟合问题（overfitting，所建的机器学习模型或者是深度学习模型在训练样本中表现的过于优越，导致在验证数据集及测试数据集中表现不佳，即为了得到一致假设而使假设变得过度复杂）
转载
2023-11-30 10:23:28
125阅读
文章目录前言一、单层神经网络1.1 正向传播1.2 损失函数1.3 梯度下降二、浅层神经网络2.1 正向传播2.2 反向传播三、深层神经网络3.1 ImageNet发展史3.2 网络参数总结及展望 前言深度学习最基础的网络类型的之一，全连接神经网络（Full Connect Neural Network）是大多数入门深度学习领域的初学者必学的内容，充分体现深度学习方法相比于传统机器学习算法的特点
转载
2023-10-18 22:30:48
250阅读
1 神经网络与深度学习1.4 浅层神经网络 上节课我们主要介绍了向量化、矩阵计算的方法和python编程的相关技巧。并以逻辑回归为例，将其算法流程包括梯度下降转换为向量化的形式，从而大大提高了程序运算速度。本节课我们将从浅层神经网络入手，开始真正的神经网络模型的学习。1.4.1 Neural Networks Overview 首先，我们从整体结构上来大致看一下神经网络模型。 前面的课程中
转载
2024-03-01 15:40:16
55阅读
1. Lineage逻辑回归分类算法1.1 概述Lineage逻辑回归是一种简单而又效果不错的分类算法什么是回归：比如说我们有两类数据，各有50十个点组成，当我门把这些点画出来，会有一条线区分这两组数据，我们拟合出这个曲线（因为很有可能是非线性），就是回归。我们通过大量的数据找出这条线，并拟合出这条线的表达式，再有新数据，我们就以这条线为区分来实现分类。 下图是一个数据集的两组数据，中间
# 深度学习中的分类与回归初探
深度学习是机器学习的一个重要分支，广泛应用于分类和回归问题。对于初学者来说，了解整个流程以及每一步的实现是非常关键的。在这篇文章中，我们将探讨深度学习中分类和回归的基本流程，并提供相应的代码示例。
## 整体流程图
我们可以将深度学习的分类与回归流程概述为以下几个重要步骤：
| 步骤 | 描述
线性回归介绍线性回归模型的目标是找一根线，使得这根线能很好得拟合训练数据并且能够很好得泛化。当使用线性回归模型时，问题应该定义成回归问题，数据集应该处理成(X，Y)，其中X是具体情况下每条样本得特征，维度按照实际情况定义，但要保证所有数据维度相同，Y为对应的目标值。特征X每个维度都有个权值，用向量w表示，b表示偏置，用数学符号表示为： Y^ = Xw + b 训练过程：首先我们随机初始化w和b（
