【深度学习】：《PyTorch入门到项目实战》

【深度学习】：《100天一起学习PyTorch》模型评估和选择（上）：欠拟合和过拟合 @TOC 1.基本概念 机器学习的任务是发现一种泛化的模式，通过训练集发现总体的规律，从而在未知的数据集上也能展现

本文已参与「新人创作礼」活动，一起开启掘金创作之路 【深度学习】：《PyTorch入门到项目实战》（十三）卷积神经网络：多通道输入和多通道输出 多通道输入和多通道输出 前言 我们之前已经介绍了单通道的

本文已参与「新人创作礼」活动，一起开启掘金创作之路 【深度学习】：《PyTorch入门到项目实战》第五天：从0到1实现Softmax回归 写在前面 🍓1. 数据集导入 首先我们来简单的介绍一些soft

池化层（Pooling layers） 1.理论部分 假如输入是一个4×4矩阵，用到的池化类型是最大池化（max pooling）。执行最大池化是一个2×2矩阵。执行过程非常简单，把4×4的输入拆分成

本文已参与「新人创作礼」活动，一起开启掘金创作之路 【深度学习】:PyTorch:数据操作和自动求导 🌻1.数据操作 🌼1.1 张量创建 tensor(张量)表示一个数值组成的数组，可以有多个维度，类

【深度学习】：《PyTorch入门到项目实战》第10天：梯度爆炸、梯度消失、梯度检验 写在前面 为了方便演示，这里我们假设每一层神经网络只有两个神经元，每一层神经网络的参数为$W^{[L]}$,假设激

本文已参与「新人创作礼」活动，一起开启掘金创作之路 【深度学习】：《PyTorch入门到项目实战》（十一）：卷积层 卷积神经网络（CNN）：卷积层实现 1.引入 让我们举个例子，假设给了我们这样一张图

GoogLeNet（附Pytorch源码） GoogleNet（Inception v1）是由Google团队在2014年提出的深度卷积神经网络架构。它是为解决图像分类任务而设计的，并在ImageNe

【深度学习】：《PyTorch入门到项目实战》第三天：简洁代码实现线性神经网络（附代码） 在上一节我们学习了如何使用pytorch从零实现一个线性回归模型。包括生成数据集，构建损失函数，梯度下降 优化

【深度学习】：《PyTorch入门到项目实战》从0到1实现logistic回归 logistic回归虽然名字是回归，但实际上是一个分类算法，主要处理二分类问题，具体理论部分大家可以看我的这篇文章。机器

残差网络(ResNets)（Residual Networks (ResNet)） 一、引言 经过我们之前的介绍，我们发现对卷积神经网络而言，“越深越好”，这是有道理的，因为这样模型的能力应该更强（它

三大经典卷积神经网络架构：LeNet、AlexNet、VGG（代码实现及案例比较） 1.Lenet 1.1理论介绍 经过前面的介绍，我们已经了解了卷积神经网络的基本模块，接下来我们来讨论几个经典的神经

本文已参与「新人创作礼」活动，一起开启掘金创作之路 【深度学习】: PyTorch从零实现线性回归 参考资料：本专栏主要以沐神《动手学深度学习》为学习资料，记录自己的学习笔记，能力有限，如有错误，欢迎

【深度学习】：《PyTorch入门到项目实战》第六天：多层感知机（含代码） 🍓1.感知机 感知机是一个非常简单的处理二分类的模型,首先我们来看看一个简单的例子 对于给定输入$x$，权重$w$,和偏移$

【深度学习】：《PyTorch入门到项目实战》第八天：权重衰退（含源码） 1.基本概念 前一节我们描述了过拟合的问题，虽然我们可以通过增加更多的数据来减少过拟合，但是成本较高，有时候并不能满足。因此现

【深度学习】：《PyTorch入门到项目实战》第九天:Dropout实现 @TOC 写在前面 1. Dropout理论基础 1.1 基本原理 假设我们要训练的神经网络如下所示： 传统的神经网络是全连接

本文已参与「新人创作礼」活动，一起开启掘金创作之路 【深度学习】：《PyTorch入门到项目实战》（十二）填充(padding)和步幅(stride) 前言 在之前，我们介绍了卷积核对输入特征的影响。

NiN（Network in Network）和1×1卷积 我们之前介绍了LeNet,AlexNet,VGG。在我们用卷积层提取特征后，全连接层的参数如下 可以看出，全连接层的参数很大，很占内存。因此