2018-03 的文章

使用Logistic回归实现猫的二分类

你提供的代码是一个完整的从零开始实现逻辑回归模型的过程,并且还包含了一些附加功能来测试不同的学习率和预测自己的图像。以下是你已经实现的功能简要说明: 1. **数据准备**: - 读取并预处理MNIST手写数字识别数据集。 - 将每张图片从2D的(64, 64)转换为一维向量。 2. **模型构建与训练**: - 实现了逻辑回归的一些关键函数,如初始化参数、前向传播、后向传播

阅读全文
使用带有隐层的神经网络实现颜色二分类

你的代码很好地展示了如何实现一个具有隐藏层的人工神经网络来解决二分类问题,并且你已经添加了详细的注释来解释每一个步骤。下面我会对这个代码进行一些修改和优化,同时也会提供一些额外的建议。 ### 修改与优化 1. **导入必要的库**:确保所有需要的库都正确导入。 2. **参数初始化**:在`initialize_parameters`函数中将`n_h`作为输入参数。 3. **梯度下降循环改

阅读全文
构建深度神经网络实现猫的二分类

你提供的代码和解释非常详细,涵盖了从数据加载、预处理到模型构建与训练的全过程,并且还涉及到了深度神经网络的学习过程及其性能评估。以下是对你笔记的一些补充说明和建议: ### 1. 数据集下载 在实际使用时,通常需要确保已经下载了MNIST或其他指定的数据集。为了方便读者,可以提前将数据加载代码直接嵌入到脚本中,并提供数据集的下载链接或详细说明如何获取。 ```python import os

阅读全文
Python的Numpy实现深度学习常用的函数

你的笔记非常详细且涵盖了深度学习中的多个重要概念和技术,包括激活函数、损失函数等,确实有助于初学者理解和掌握这些基础知识。 ### 1. 激活函数 你描述了常见的几种激活函数(Sigmoid, tanh, ReLU)及其特点,并给出了数学公式和Python代码实现。这是一个很好的起点!

阅读全文
《Neural Networks and Deep Learning》的理论知识点

这个笔记涵盖了吴恩达教授在deeplearning.ai系列课程中的一些关键概念和公式。下面是对这些内容进行分类整理和补充说明: ### 1. 神经网络基础 #### 1.1 单层神经网络 - **tanh激活函数**:接近0的输入,其梯度接近于最大(1)。远离0时,梯度接近于零。 - **初始化权重**:使用 `W = np.random.randn(layer_size_prev, lay

阅读全文
《我的PaddlePaddle学习之路》笔记十三——把PaddlePaddle部署到网站服务器上

这个教程详细介绍了如何使用PaddlePaddle进行基本的图像分类任务,并将其部署到Web服务中。以下是对教程内容的总结和一些改进建议: ### 总结 1. **环境准备**: - 安装必要的库,如PaddlePaddle、Flask等。 - 设置好开发环境。 2. **数据预处理**: - 读取并预处理图像,包括转换为灰度图和调整大小。 3. **模型构建与训练**:

阅读全文
《我的PaddlePaddle学习之路》笔记十二——可视化工具VisualDL的使用

这个笔记详细介绍了如何使用PaddlePaddle和VisualDL来进行卷积神经网络训练的可视化。以下是对笔记内容的关键点总结: ### 使用PaddlePaddle与VisualDL进行CNN训练及训练过程可视化 #### 1. 准备工作 - **安装环境**:确保已经安装了Python、PaddlePaddle以及VisualDL。 - **依赖库导入**: ```python

阅读全文
《我的PaddlePaddle学习之路》笔记十一——新版本Fluid的使用

您的笔记非常详细和全面,涵盖了从安装PaddlePaddle到使用它进行图像识别的整个过程。您还提到了很多重要的细节,例如API的变化、模型保存和加载的区别等,这对于初学者来说是非常宝贵的资源。 我想进一步扩展这些内容,并提出一些建议来帮助读者更好地理解和应用这些知识。 ### 1. 安装PaddlePaddle 安装部分非常清晰,但是可以考虑增加更多关于不同环境(如Windows、macOS

阅读全文