参考资料: 《PyTorch深度学习》(人民邮电出版社)第6章 序列数据和文本的深度学习 PyTorch官方文档 廖星宇著《深度学习入门之Pytorch》第5章 循环神经网络 其他参考的网络资料在文中以超链接的方式给出 目录 0. 写在前面 1. 循环神经网络( Recurrent Neural Network ) 1
CNN卷积神经网络原理详解(下) 反向传播 前向传播过程 反向传播过程 输出层向隐藏层的权值更新: 隐藏层向输入层的权值更新 反向传播 前面讲解了卷积神经网络的网络基本架构。我们在实际运算的时候会发现,随着计算次数的增加,我们的输出结果与我们的预期结
正在学,把网上优质文章整理了一下。 我们经常利用贝叶斯公式求posterior distribution P ( Z ∣ X ) 但posterior distribution P ( Z ∣ X ) 求解用贝叶斯的方法是比较困难的,因为我们需要去计算∫ z p ( X = x , Z = z ) d z,而Z 通常会是
文章目录 指数家族 伯努利分布转指数家族 高斯分布转指数家族 指数家族的性质 最大熵模型 最大似然求解 最大熵似然法 参考 了解最大熵模型之前,我们需要先了解一个和最大熵模型相伴的概念,指数家族。 指数家族 指数家族是一个包含我们常见的概率分布的分布族。不管是离
CNN卷积神经网络原理详解(上) 前言 卷积神经网络的生物背景 我们要让计算机做什么? 卷积网络第一层 全连接层 训练 前言 卷积网络(convolutional network),也叫作卷积神经网络(convolutional neural network,CNN),是一种专门用来处理具有类似网格结构的数
参考资料: 《PyTorch深度学习》(人民邮电出版社)第5章 深度学习之计算机视觉 PyTorch官方文档 廖星宇著《深度学习入门之Pytorch》第4章 卷积神经网络 其他参考的网络资料在文中以超链接的方式给出 目录 0 写在前面 1. 卷积神经网络 1.
文章目录 SVM涉及的相关概念 分类任务 分类任务进一步理解 SVM算法 SVM所要解决的问题 函数间隔 几何间隔 凸优化基础 拉格朗日对偶性 – 原问题 拉格朗日对偶性 – 对偶问题 原问题与对偶问题之间的关系 线性可分支持向量机 线性可分SVM 硬间隔最大化 基于对偶的线性可分SVM学习算法 线性不
文章目录 1、现实差 2、 提高仿真度 前提 2.1、执行器模型 2.2、 延迟 3、 建立鲁棒控制器 3.1、随机动态参数 3.2、随机扰动 3.3、状态空间 1、现实差 因为并不存在能够完美捕捉现实的模拟器(环境),模拟与现实之间存在「现实差距」(Reality Gap),模型的输入分布在策略训练(模拟)和策略执行(现实)之间存在动态变化和差异性。如果继续在
参考资料 廖星宇《深度学习入门之PyTorch》 PyTorch官方文档 其他参考资料在文中以超链接的方式给出 目录 0. 写在前面 1. PyTorch基础 1.1 张量(Tensor) 1.2 变量(Variable) 1.3 数据集(Dataset) 1.4 模组(nn.Module) 1.5
文章目录 模型概要 1、状态、决策空间(略) 2、奖励函数 3、决策模型 模型概要 1、状态、决策空间(略) 状态空间:roll(X轴)、pitch(Y轴),以及沿这两个轴的角速度。 注意,状态空间中并没有使用所有可用的传感器测量值。例如,IMU还提供了基体的偏移(即x,y方向的偏移),有些imu还会提供加速度,这些我们都不考虑。我们排除这些值,是因为imu的数
在《战国策·齐策三》中有这么一句话:“物以类聚,人以群分”,用于比喻同类的东西常聚在一起,志同道合的人相聚成群,反之就分开。而所谓的科学,不过是把我们日常的生活经验,大自然的规律用数学的语言描述出来罢了。在机器学习中也有这么一类算法,聚类算法,借鉴的就是“物以类聚,人以群分”的思想。 想想人在生活中是如何做到“聚类”的。我们通常会跟自己很像的人在一起玩,比如同龄人、有共同
一、minitaur 简介 这是来自宾夕法尼亚大学的一款机器人,叫 Minitaur,看图你就明白了。 四足机器人的运动控制通常需要大量的专业知识,以及突如其来的灵感(调参)。在之前的文章中,我们就用了很大的一个篇幅来讲控制信号的生成以及调节(详情请参考开头给出的两篇文章),然而这只是产生四足机器人能够完成周期性运动的控制信号而已,还有转向控制,各种信号反馈调
深度学习模型的调优,首先需要对各方面进行评估,主要包括定义函数、模型在训练集和测试集拟合效果、交叉验证、激活函数和优化算法的选择等。 那如何对我们自己的模型进行判断呢?——通过模型训练跑代码,我们可以分别从训练集和测试集上看到这个模型造成的损失大小(loss),还有它的精确率(accuracy)。 目录 前言 1、定义模型函数 2、交叉验证(C
参考资料: 《Pytorch深度学习》(人民邮电出版社)第三章 深入了解神经网络 《Pytorch深度学习》(人民邮电出版社)第四章 机器学习基础 Pytorch官方文档 其他有参考的资料都在文章中以超链接的形式给出啦 目录 0 写在前面 1 神经网络的组成部分 1.1 层
文章目录 一、项目背景 二、数据处理 1、标签与特征分离 2、数据可视化 3、训练集和测试集 三、模型搭建 四、模型训练 五、完整代码 一、项目背景 数据集cnn_train.csv包含人类面部表情的图片的label和feature。在这里,面部表情识
相似性度量是机器学习中一个非常基础的概念:是评定两个事物之间相似程度的一种度量,尤其是在聚类、推荐算法中尤为重要。其本质就是一种量化标准。在机器学习中主要是用于衡量样本之间的相似程度。 为什么要有一个衡量标准?这世间万物都是公说公有理,婆说婆有理,而这衡量标准一旦定下来,大家都得在这里面玩。这人世间的法律制度,大大小小的条文规矩都是衡量标准。 那
引言 本实验基于FNC(全卷积神经网络)及PASCAL-VOC数据集做图像语义分割。图像语义分割(Semantic Segmentation)是图像处理和是机器视觉技术中关于图像理解的重要一环,也是 AI 领域中一个重要的分支。语义分割即是对图像中每一个像素点进行分类,确定每个点的类别(如属于背景、人或车等),从而进行区域划分。目前,语义分割已经被广泛
本节证明并未从集成学习源头开始,如若对集成学习还不是很清楚的同学,参考文章: 经典机器学习系列之【集成学习】 AdaBoost算法证明 本文以周志华西瓜书推导过程为例,以“加性模型”(additive model)进行解析: 将基学习器ht(x)线性组合,则基学习器的线性组合表示为如下H(x)形式
中国有句老古话,叫“三个臭皮匠顶个诸葛亮”,说的是人多力量大,可也有句成语叫“乌合之众”。在机器学习中也有一类算法,将这两种思想融合起来,取其精华,它就是集成学习,算法将不同的学习器融合在一起。 在集成学习中,算法不要求每个学习器性能最好,但是期望它们对问题具有不同的看法,Good But Different (好而不同)。 如果在分类问题上描述
文章目录 一、PPO主体 1、主结构 2、初始化部分 3、训练部分 二、环境交互 1、 交互部分主结构 2、初始化部分 3、调用 4、计算adv 5、检验函数 三、 run_ppo 一、PPO主体 1、
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信