- 博客(4)
- 收藏
- 关注
RSS订阅原创 循环神经网络（RNN）与自然语言处理（NLP）全面解析
与传统的图像分类（一对一模型）不同，序列模型需要考虑时间维度上的依赖关系。- 示例：{'<unk>':0, 'the':1, 'i':2, 'and':3, ...}a. 读取数据：加载原始文本（如IMDB影评数据集）- 多类别特征：独热编码（如国籍197维向量）解决方案：学习低维稠密向量表示（如32/64维）独热编码问题：维度灾难（词汇表大时维度过高）- 长期依赖遗忘：梯度随时间步指数衰减/爆炸。- 解决方案：门控机制（GRU/LSTM）- 二值特征：0/1编码（如性别）- 改进结构：测试精度85.4%
2025-05-25 23:19:53
815
原创 深度学习视觉应用核心知识点总结：从数据集到评价指标与经典模型
数据集选择：根据任务复杂度和目标类型选择合适的数据集。简单分类任务可优先使用 MNIST、Fashion-MNIST；复杂场景下的目标检测与分割，MS COCO 和 PASCAL VOC 是更优选择；大规模预训练则可考虑 ImageNet。指标应用：在模型调优时，需综合考虑精确率和召回率的平衡，通过 P-R 曲线和 AP 值全面评估模型性能。例如，医疗检测场景更注重召回率（减少漏诊），而推荐系统更关注精确率（提高推荐质量）。模型落地：目标检测领域，YOLO 系列因其速度与精度的平衡，适合实时应用；
2025-05-20 23:01:46
1587
原创 卷积神经网络基础：从理论到实践的全面总结
其基本概念包括张量（Tensor）、计算图等，使用tensor表示数据，Dataset和DataLoader读取样本数据和标签，变量（Variable）存储神经网络权值等参数。C3层进一步提取特征等。在不同层间（如卷积层与下采样层、卷积层与全连接层等），BP算法有不同的计算方式来实现误差回传和参数更新。它有8层可学习层（5层卷积层和3层全连接层），采用最大池化和ReLU激活函数，网络规模大，参数数量接近6000万。结构规整，卷积层大多使用3×3过滤器，随网络深入，高和宽衰减，通道数增多。
2025-05-13 23:13:30
337
原创 神经网络语深度学习性能优化技巧
本文将总结常用的优化技巧，包括模型初始化、数据划分、正则化方法以及优化算法等，帮助读者提升模型训练效率和性能。K折交叉验证：将原始训练数据分为K个子集，每次用K-1个子集训练，剩余1个子集验证，最终取K次结果的平均值。过拟合：模型在训练集上误差小，但在测试集上误差大，通常由于模型复杂度过高或训练数据不足导致。Dropout：在训练过程中随机将部分神经元置零，减少神经元间的依赖性，增强模型的泛化能力。动量法通过引入速度变量，模拟物理中的动量效应，减少训练过程中的震荡，加速收敛。希望本文对大家有所帮助！
2025-05-05 20:08:13
688
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人