一个神经元即一个感知机模型，由多个神经元相互连接形成的网络，即神经网络。这里我们只讨论单隐层前馈神经网络，其连接形式入下：神经网络模型的待估参数即，每个神经元的阈值，以及神经元之间的连接权重。对于该模型有如下定义：训练集：D={(x1, y1), (x2, y2), ......, (xm, ym)}，x具有d个属性值，y具有k个可能取值则我们的神经网络（单隐层前馈神经网络）应该是具有d个输入神经
转载
2023-07-04 13:05:38
248阅读
一、BP_ Adaboost模型 Adaboost 算法的思想是合并多个“弱”分类器的输出以产生有效分类。其主要步骤为 ：（1）首先给出弱学习算法和样本空间（x， y） ，从样本空间中找出 m 组训练数据，每组训练数据的权重都是 1 /m。（2）用弱学习算法迭代运算 T 次，每次运算后都按照分类结果更新训练数据权重分布，对于分类失败的训练个体赋予较大权重，下一次迭代运算时更加
转载
2023-10-20 23:59:50
258阅读
Tensorflow2 ResNet实现猫狗二分类1 前言2 ResNet架构简介3 Tensorflow实现ResNet 1 前言卷积神经网络（CNN）在计算机视觉领域扮演着重要的角色，而ResNet（Residual Network）的诞生则是CNN历史上重要的里程碑。理论上说网络的层数越深，提取的特征越好，检测结果越好，但实验证明网络层数较深的却不如网络层数较浅的模型，这是因为网络层数越深
转载
2024-01-31 10:20:38
96阅读
神经网络的基础 文章目录神经网络的基础一、二分分类二、logistic回归三、梯度下降法四、logistic回归的梯度下降法 一、二分分类二分分类就是训练出一个分类器，将图片的特征向量x作为输入，预测结果y为1还是0。比如：将一张猫的图片提取出它的特征向量x，并将x输入进我们训练出的分类中，可以输出结果为y，就是分类出了这张图片是猫。常用的符号
用一对（x，y）作为一个单独的样本每一个训练样
转载
2024-01-08 17:08:18
144阅读
神经网络学习小记录61——Tensorflow2 搭建常见分类网络平台（VGG16、MobileNet、ResNet50）学习前言源码下载分类网络的常见形式分类网络介绍1、VGG16网络介绍2、MobilenetV1网络介绍3、ResNet50网络介绍a、什么是残差网络b、什么是ResNet50模型分类网络的训练1、LOSS介绍2、利用分类网络进行训练a、数据集的准备b、数据集的处理c、开始网络
转载
2023-12-21 11:23:16
92阅读
1 - 引言之前我们学习了神经网络的理论知识，现在我们要自己搭建一个结构为如下图所示的神经网络，对Cifar-10数据集进行分类 前向传播比较简单，就不在赘述 反向传播需要注意的是，softmax的反向传播与之前写的softmax代码一样。神经网络内部的反向传播权重偏导就是前面的系数，偏置的导为1，所以就是传播输入的累加和，ReLU函数在反向传播时，小于零的均为0，大于零的不变根据求导过程可以写出
转载
2023-12-07 09:05:05
154阅读
第二周：神经网络的编程基础 (Basics of Neural Network programming)2.1、二分类(Binary Classification)二分类问题的目标就是习得一个分类器，它以图片的特征向量（RGB值的矩阵，最后延展成一维矩阵x，如下）作为输入，然后预测输出结果?为 1 还是 0：主要需要注意的是一些符号定义：?：表示一个??维数据，为输入数据，维度为(??, 1)；?
转载
2023-07-05 13:11:21
503阅读
一、作业概述本次作业要利用多层神经网络实现猫咪图片的二分类问题。其中训练集共有图片209张，测试集共有图片50张。隐藏层数量为一层，隐藏层上的神经元个数为5个。隐藏层的激活函数采用Relu函数，输出层的激活函数为sigmoid函数。二、完成步骤1、数据预处理要将图片转化为向量。每张图片的大小为64*64色素点，每个色素点由RGB三原色组成，所以每张图片需要64*64*3=12288个数据点确定。所
转载
2023-11-10 17:45:49
273阅读
吴恩达深度学习笔记（二）二、神经网络的编程基础(Basics of Neural Network programming)1.二分类 (Binary Classification)二分类的输出为1（是）和0（不是）。二分类问题中数据的保存方法： 对于一张彩色图片，需要保存三个矩阵，它们分别对应图片中的红、绿、蓝三种颜色通道。如果图片的大小为 64x64像素，为了把这些像素值放到一个特征向量中，我们
转载
2023-11-27 03:00:50
89阅读
一、需求分析 我们需要在前文生成的数据集的基础上建立自己的数据集，并稍微修改参考资料【3】中提供的神经网络，用我们的训练集来修正网络参数，最后通过测试集来检验准确率。1.数据集 数据集结构如图： 1代表r
转载
2023-12-12 22:46:56
344阅读
目录一、数据处理二、搭建cnn模型三、训练并测试模型 一、数据处理导入数据#导入数据
X=pd.read_csv('data.csv',header=None)
X=np.array(test_data)
y=pd.read_csv('label.csv',header=None)
y=np.array(test_label)
print(X.shape)
print(y.shape)数据说明：
转载
2023-10-27 19:31:44
127阅读
这个专栏主要是想和大家分享一下深度学习的基础知识，主要是以吴恩达老师深度学习课程内容作为基础，并补充了很多其他内容希望让整体内容更加容易理解和系统化。如果想要了解具体专栏里面有什么内容的话，可以看一看我们专栏的目录，在目录里面还说明了小伙伴的分工，这些内容都是所有小伙伴们一起努力完成的，有希望和我们一起学习的的小伙伴也可以加入我们啊。另外我们还将内容以书籍的形式放到了github上，之后还会陆续上
转载
2023-12-21 20:28:53
197阅读
BP-ANN分类器设计1.引言从深层意义上看，模式识别和人工智能本质都是在解决如何让用机器模拟人脑认知的过程。一方面，从需要实现的功能出发，我们可以将目标分解为子功能，采用自定而下的的分解法实现我们需要的拟合算法。而另一方面，无论人脑多么复杂，人类的认知过程都可以认为若干个神经元组成的神经网络在一定机制下经由复杂映射产生的结果。从神经元的基本功能出发，采用自下而上的设计方法，从简单到复杂，也是实现
转载
2023-10-10 09:49:15
84阅读
一、pytorch基础知识1.1 神经网络简介模拟生物学的人脑的神经元进行组装 神经网络可以大致分为输入层-隐藏层-输出层1.2 梯度下降梯度下降，可以理解为下降到梯度线“躺平”的点 一般情况下神经网络中会有很多个W进行梯度下降， 但是问题可能在，当找到“躺平”点的时候会出现在一个局部最优解，而找不到全局最优解，当然这是无法避免的，但是只要局部足够优秀的情况下也可以得到很好的效果。1.3 nump
转载
2023-10-10 10:02:00
195阅读
Week2：神经网络的编程基础(Basics of Neural Network programming)Pre:本章基本字母含义2.1 Binary Classification(二分法)逻辑回归模型一般用来解决二分类（Binary Classification）问题。二分类就是输出y只有{0,1}两个离散值（也有{-1,1}的情况）。以一个图像识别问题为例，判断图片中是否有猫存在，0代表no
转载
2023-12-15 18:58:48
196阅读
使用TensorFlow构建一个神经网络来实现二分类，主要包括输入数据格式、隐藏层数的定义、损失函数的选择、优化函数的选择、输出层。下面通过numpy来随机生成一组数据，通过定义一种正负样本的区别，通过TensorFlow来构造一个神经网络来实现二分类。一、神经网络结构输入数据：定义输入一个二维数组（x1,x2），数据通过numpy来随机产生，将输出定义为0或1，如果x1+x2<1,则y为1
转载
2023-12-02 13:59:01
444阅读
AI：基于TensorFlow的Keras训练神经网络模型二分分类预测，Python人类很容易就能实现按照一个参照值把一个数区分为大于它或者小于它。现在实现一个简单的二分分类，让机器学习如何像人类一样区分一个数和另外一个数的大小关系。假设有一批0到100以内[0,100)的一维随机数据样本，要求实现标签为0和1的两种分类：（1）[0,50)，小于50的作为一种分类，分类标签为0。（2）[50,10
转载
2023-11-27 12:38:22
63阅读
神经网络
转载
2023-12-24 14:33:25
32阅读
引言全连接神经网络在分类、回归预测问题上表现出极强的生命力。相比于传统的机器学习算法，神经网路的学习能力大大推动了人工智能往更智能更高效方向发展。人工神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connection Model），它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复
转载
2023-09-18 05:29:13
243阅读
文章目录【吴恩达深度学习第二周】神经网络基础1. 二分分类1.1 特征向量1.2 数据的符号标识2. logistic回归3. logistic回归损失函数3.1 损失函数（Loss function）3.2 成本函数（Cost function）4. 梯度下降法4.1基本概念4.2 参数更新的过程5. logistic回归中的梯度下降法5.1单个样本的梯度下降法5.2 多个样本（数据集）的梯度下
转载
2024-02-08 07:01:17
77阅读
