【从零开始学习深度学习】7.自己动手实现softmax回归的训练与预测
1. 自己动手实现softmax回归首先导入本节实现所需的包或模块。import torch import torchvision import numpy as np import sys import d2lzh_pytorch as d2l 1.1 读取数据我们将使用Fashion-MNIST...
【从零开始学习深度学习】6.使用torchvision下载与查看图像分类数据集Fashion-MNIST
图像分类数据集中最常用的是手写数字识别数据集MNIST。但大部分模型在MNIST上的分类精度都超过了95%。为了更直观地观察算法之间的差异，我们将使用一个图像内容更加复杂的数据集Fashion-MNIST。本节我们将使用torchvision包，它是服务于PyTorch深度学习框架的，主要用来构建计...
【从零开始学习深度学习】5.用于分类问题的softmax回归模型原理简介
前言前两篇文章介绍的线性回归模型适用于输出为连续值的情景。在另一类情景中，模型输出可以是一个像图像类别这样的离散值。对于这样的离散值预测问题，我们可以使用诸如softmax回归在内的分类模型。和线性回归不同，softmax回归的输出单元从一个变成了多个，且引入了softmax运算使输出更适合离散值的...
【从零开始学习深度学习】4.基于pytorch框架自带模型实现线性回归的训练过程
1.1 生成数据集我们生成与上一篇文章中相同的数据集。其中features是训练数据特征，labels是标签。样本形状为1000*2。num_inputs = 2 num_examples = 1000 true_w = [2, -3.4] true_b = 4.2 features = torch...
【从零开始学习深度学习】3. 基于pytorch手动实现一个线性回归模型并进行min--batch训练
1.1 线性回归简介线性回归输出是一个连续值，因此适用于回归问题。回归问题在实际中很常见，如预测房屋价格、气温、销售额等连续值的问题。与回归问题不同，分类问题中模型的最终输出是一个离散值。我们所说的图像分类、垃圾邮件识别、疾病检测等输出为离散值的问题都属于分类问题的范畴。softmax回归则适用于分...
【从零开始学习深度学习】2. 深度学习框架Pytorch如何自动求梯度（gradient）
1 自动求梯度在深度学习中，我们经常需要对函数求梯度（gradient）。PyTorch提供的autograd包能够根据输入和前向传播过程自动构建计算图，并执行反向传播。本文将介绍如何使用autograd包来进行自动求梯度的有关操作。1.1 概念上一节介绍的Tensor是这个包的核心类，如果将其属性...
【从零开始学习深度学习】1. 深度学习框架Pytorch的基本操作
1. Pytorch基本操作在PyTorch中，torch.Tensor是存储和变换数据的主要工具。Tensor和NumPy的多维数组非常类似。但是Tensor提供GPU计算和自动求梯度等更多功能，因此Tensor更加适合深度学习。"tensor"这个单词一般可译作“张量”，张量可以看作是一个多维数...
迁移学习实践 深度学习打造图像的别样风格
一、前言训练环境：Google colab 训练时长：<15min 论文地址：https://arxiv.org/abs/1508.06576在本教程中，我们将学习如何使用深度学习来创作另一种（毕加索或梵高式）风格的图像，这就是所谓的神经类型迁移！这是列昂·盖茨的论文中概述的一种...
PyTorch学习系列教程：构建一个深度学习模型需要哪几步？
不同于经典的机器学习流程，深度学习模型的搭建和训练更为灵活和简单，称之为灵活是因为一般没有成熟和直接可用的模型，而更多需要使用者自己去设计和组装各个网络模块；称之为简单是因为深度学习往往实现端到端的训练，即直接从原始数据集到模型输出，而无需经典机器学习中的数据预处理、特征工程、特征选择等多阶段式的工...
【数据挖掘】神经网络简介 ( 有向图本质 | 拓扑结构 | 连接方式 | 学习规则 | 分类 | 深度学习 | 机器学习 )（二）
VII . 深度学习 简介1 . 深度学习 : 在 多层神经网络上 , 解决图像 , 文本 , 等分类问题的 机器学习 算法集合 ;2 . 深度学习 与 神经网络 : 深度学习属于神经网络范畴 , 但 深度学习 与 神经网络 实践应用 上略有不同 , 深度学习的目的是进行 特征学习 , 通过 分层网...
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。
产品推荐
社区圈子
最佳实践
