Deep Learning 用Python 進行深度學習的基礎理論實作-1 感知器 基本邏輯-AND Deep Learning 用Python 進行深度學習的基礎理論實作-2 邏輯閘-NAND反及閘 邏輯閘-OR及閘 邏輯閘-XOR反互斥或閘 縣性與非線性 Deep Learning 用Pytho
書-Deep Learning 用Python 進行深度學習的基礎理論實作 梯度 梯度法 梯度 找出函數值遞減最多的方向 下面這張圖可以看到在0,0點沒有箭頭,就是最低位置,越往外箭頭就越大,而具有方向性 圖程式: 梯度法 要找出適合的參數權重偏權重,經過損失函數的值要小,是很複雜的,參數空間大,唯
書-Deep Learning 用Python 進行深度學習的基礎理論實作 數值微分 偏微分 數值微分 先用程式畫出下面函數的圖 計算x=5, x=10的微分 微分就是平方乘與數字再減一,所以答案就是 y = 0.02x 0.1 x上面的平方是1所以成了之後就消失了 我們把y帶入510 x = 5
書-Deep Learning 用Python 進行深度學習的基礎理論實作 小批次學習 損失函數辨識準確率 數值微分 小批次學習 我們講訓練資料讓他學習,就是為了降低損失函數的值,但是如果如果整個資料過於龐大,我們可能從資料裡面先抽出100份來訓練看看成效,就像做民調一樣不可能每個人都有機會被問到,
書-Deep Learning 用Python 進行深度學習的基礎理論實作 批次處理 從資料中學習 損失函數 均方誤差 交叉熵一誤差 批次處理 上一篇在做訓練的時候是一張一張照片讀進去訓練,那如果一次都進去100張,訓練速度會比較快嗎?答案是可以的因為多數處理數值運算的函式庫,都進行最佳化,可以更有
書-Deep Learning 用Python 進行深度學習的基礎理論實作 手寫辨識 手寫辨識-MNIST資料集 神經網路的推論處理 神經網路的訓練 用turtle畫出神經元連接 手寫辨識 接下來要來看手寫辨識了,深度學習方面的書第一個範例都是手寫辨識,就像寫程式第一個程式是hello world一
書-Deep Learning 用Python 進行深度學習的基礎理論實作 輸出層 恆等函數 sfotmax函數 sfotmax函數-使用問題 輸出層-神經元數量 輸出層 神經網路可以解決分類迴歸問題,要使用相對應的活化函數也可以混用,但是效果不太好 1.分類問題-恆等函數,分辨此人是男是女 2.迴
書-Deep Learning 用Python 進行深度學習的基礎理論實作 三層神經網路 三層神經網路 第0層:輸入層,2個神經元 第1層:隱藏層,3個神經元 第2層:隱藏層,2個神經元 第3層:輸出層,2個神經元 東西會越加越多 這裡加了一個偏權重b,來看一下 簡化版,根據上面那張圖 用pytho
書-Deep Learning 用Python 進行深度學習的基礎理論實作 非線性函數 ReLU函數 多維陣列運算 矩陣的乘積 非線性函數 上一篇有講到階梯函數和sigmoid函數,都是屬於非線性函數,線性函數的輸出必須是輸入的倍數才有可能達成線性直線 神經網路必須使用非線性的函數,第2篇我有畫張圖
書-Deep Learning 用Python 進行深度學習的基礎理論實作 神經網路 活化函數 sigmoid函數 階梯函數-實作 階梯函數-圖表 sigmoid-圖表 step vs. sigmoid-圖表 神經網路 前面我們用邏輯閘去試作感知器,應該對感知器有初步的印象了吧,多個邏輯閘理論上可以