📅  最后修改于: 2020-11-11 00:40:11        🧑  作者: Mango

PyTorch中的损失函数在上一个主题中，我们看到该行未正确拟合到我们的数据。为了使其最合适，我们将使用梯度下降法更新其参数，但是在此之前，它需要您了解损失函数。因此，我们的目标是找到适合此数据的线的参数。在我们之前的示例中，线性函数将首先使用以下参数将随机权重和偏差参数分配给我们的行。这条线不能很好地代表我们的数据。我们需要一些优化算法来根据总误差调整这些参数，直到最后得到包含合适参数的行。现在...

📅  最后修改于: 2020-11-11 00:41:06        🧑  作者: Mango

PyTorch中的梯度下降我们最大的问题是，我们如何训练模型以确定权重参数，以最小化误差函数。让我们开始介绍梯度下降如何帮助我们训练模型。首先，当我们使用线性函数初始化模型时，线性模型将从随机初始参数调用开始。它确实给了我们一个随机的初始参数。现在，基于与该初始参数A相关的误差，现在忽略偏差值。我们的动机是朝着使我们产生较小误差的方向运动。如果我们采用误差函数的梯度作为切线在当前值处的切线的斜率的...

📅  最后修改于: 2020-11-11 00:42:05        🧑  作者: Mango

均方误差均方误差的计算方法与之前的一般损耗方程式大致相同。我们还将考虑偏差值，因为这也是在训练过程中需要更新的参数。(y-Ax + b)2均方误差最好用图示说明。假设我们有一组值，我们首先像以前一样绘制一些回归线参数，其大小由一组随机的权重和偏差值确定。误差对应于实际值与预测值之间的距离-它们之间的实际距离。对于每个点，通过使用以下公式将我们的线模型得出的预测值与实际值进行比较来计算误差每个点都与...

📅  最后修改于: 2020-11-11 00:43:05        🧑  作者: Mango

线性模型训练给定分配给它的随机参数，我们绘制了线性模型。我们发现它与我们的数据不太吻合。我们要做的。我们需要训练该模型，以便该模型具有最佳的权重和偏差参数并拟合该数据。有以下步骤来训练模型：步骤1我们的第一步是指定损失函数，我们打算将其最小化。 PyTorch提供了一种非常有效的方法来指定丢失的函数。 PyTorch提供MSELoss()函数(称为均方损失)，以第2步现在，我们的下一步是更新参数。...

📅  最后修改于: 2020-11-11 00:44:27        🧑  作者: Mango

感知器感知器是单层神经网络，或者可以说神经网络是多层感知器。 Perceptron是二元分类器，用于监督学习中。人工神经网络中生物神经元的简单模型称为Perceptron。可以决定这是由数的向量表示的输入是否属于一些特定类的函数被称为二元分类器。二进制分类器是线性分类器的一种。线性分类器是一种分类算法，它基于将一组权重与特征向量相结合的线性预测函数预测。感知器算法旨在将主体分类为两种类型之一，将视...

📅  最后修改于: 2020-11-11 00:45:24        🧑  作者: Mango

深度学习深度学习是机器学习中使用的一组算法。它是基于人工神经网络的机器学习方法的一部分。学习可以是有监督的，无监督的或半监督的。深度学习架构(即深度神经网络，递归神经网络和卷积神经网络)已应用于自然语言处理，计算机视觉，语音识别，音频识别，社交网络过滤，机器翻译，药物设计，生物信息学，医学图像分析，材料检查和棋盘游戏程序，在某些情况下它们产生的结果要优于人类专家，甚至可以与人类专家媲美。深度学习用...

📅  最后修改于: 2020-11-11 00:46:23        🧑  作者: Mango

创建感知器模型数据集现在，我们将获得有关如何创建，学习和测试Perceptron模型的知识。在PyTorch中Perceptron模型的实现是通过几个步骤完成的，例如为模型创建数据集，设置模型，训练模型以及测试模型。让我们从第一步开始，即创建数据集。为了创建数据集，我们将直接从SDK学习导入数据集。 SDK学习功能使我们可以访问许多预先准备的数据集。我们只需导入数据集即可访问所有这些数据集。在此，...

📅  最后修改于: 2020-11-11 00:47:22        🧑  作者: Mango

感知器模型了解感知器模型和一些关键术语(如交叉熵，S形梯度下降等)至关重要。那么，感知器模型是什么，它有什么作用?让我们看一个例子来理解感知器模型。想象一下，有一家医院每年要对数千名患者进行手术，并告诉您创建一个预测模型，该模型可以准确地确定某人是否可能患有癌症。借助先前确定的数据，我们可以根据某人的年龄(横穿x轴)和其吸入的烟草量(横穿y轴)来预测某人是否患有癌症。因此，年龄和吸烟量较高的人患癌...

📅  最后修改于: 2020-11-11 00:48:16        🧑  作者: Mango

感知器模型的训练感知器模型的训练类似于线性回归模型。我们初始化神经模型，该神经模型在输入层中具有两个输入节点，并且具有一个具有S型激活函数的单个输出节点。当我们将模型绘制到数据上时，我们发现它与我们的数据不太吻合。我们需要训练该模型，以便该模型具有最佳的权重和偏差参数并拟合该数据。有以下步骤来训练模型：步骤1第一步，计算模型误差的标准是召回率交叉熵。我们的损失函数将基于二进制交叉熵损失(BCELo...

📅  最后修改于: 2020-11-11 00:49:15        🧑  作者: Mango

感知器模型的测试感知器模型的目的是对我们的数据进行分类，并根据先前标记的数据告诉我们发生癌症的机会，即最大或最小。我们的模型已经过训练，现在，我们测试模型以平稳地了解其工作，并给出或不给出准确的结果。为此，我们必须在代码中添加更多功能。有以下步骤来测试我们的模型：步骤1我们将重新绘制拟合模型，为此，我们必须对将初始化的随机点进行预测。在我们的案例中，我们将采取两点以更好地理解。第2步现在，我们的下...

📅  最后修改于: 2020-11-11 00:50:11        🧑  作者: Mango

深层神经网络中的非线性边界在感知器模型中，我们使用线性模型对数据的两个区域进行分类。实际数据要复杂得多，并不总是按直线分类。为此，我们需要一个非线性边界来分离数据。 Perceptron模型是在神经网络的最基本形式上工作的，但是对于现实的数据分类，我们使用了深度神经网络。当我们的模型无法表示一组数据时，我们将使用非线性模型代替它。在以下情况下使用非线性模型在上图中，有一条曲线可以对我们的数据进行完...

📅  最后修改于: 2020-11-11 00:51:08        🧑  作者: Mango

神经网络架构通过将两个线性模型与一些方程，权重，偏差和S形函数相结合，我们发现了一个非线性模型。让我们开始更好的说明，并了解神经网络和深度神经网络的体系结构。让我们看一个例子，以更好地理解和说明。假设有一个线性模型，其线表示为-4×1-x2 + 12。我们可以用以下感知器来表示它。输入层中的权重为-4，-1和12代表线性模型中的方程式，输入传递到该方程式中以获得其在正区域中的概率。再取一个模型，其...

📅  最后修改于: 2020-11-11 00:52:07        🧑  作者: Mango

深度神经网络中的前馈过程现在，我们知道具有不同权重和偏差的线的组合如何导致非线性模型。神经网络如何知道每一层应具有的权重和偏差值?这与我们对基于单个感知器模型的处理方式没有什么不同。我们仍在使用梯度下降优化算法，该算法通过在最陡峭的下降方向(该方向在确保最小误差的同时更新我们的模型参数)上反复移动来最大限度地减少模型误差。它会更新每个图层中每个模型的权重。稍后，我们将更多地讨论优化算法和反向传播。...

📅  最后修改于: 2020-11-11 00:53:10        🧑  作者: Mango

深度神经网络中的反向传播过程反向传播是神经网络的重要概念之一。我们的任务是最好地对数据进行分类。为此，我们必须更新参数和偏差的权重，但是如何在深度神经网络中做到这一点呢?在线性回归模型中，我们使用梯度下降来优化参数。同样，在这里，我们也使用使用反向传播的梯度下降算法。对于单个训练示例，反向传播算法将计算误差函数的梯度。反向传播可以写为神经网络的函数。反向传播算法是用于遵循梯度下降方法(利用链规则)...

📅  最后修改于: 2020-11-11 00:54:12        🧑  作者: Mango

深度神经网络的实现在了解了反向传播的过程之后，让我们开始看看如何使用PyTorch实现深度神经网络。实施深度神经网络的过程类似于感知器模型的实施。在实施过程中，我们必须执行以下步骤。步骤1：第一步，我们将导入所有必需的库，例如火炬，numpy，数据集和matplotlib.pyplot。第2步：在第二步中，我们没有定义数据点，然后使用make_blobs()函数创建一个数据集，该函数将创建数据点的...