【Datawhale X 李宏毅苹果书 AI夏令营】《深度学习详解》Task2 打卡

文章目录


前言

本文是【Datawhale X 李宏毅苹果书 AI夏令营】的Task2学习笔记打卡。


学习目标

李宏毅老师对应视频课程:https://www.bilibili.com/video/BV1JA411c7VT?p=3

《深度学习详解》第一章主要介绍了深度学习中的基础数学知识。

一、线性模型

经过了前面的梯度下降优化过程以后,我们得到了通过训练数据估计出来的一个数学模型,其中y(预测某天的视频观看次数)和 x 1 x_1 x1(前一天的观看次数有关)。

但是视频观看次数有个周期性的规律,即一周有七天,在周末的时候,人们会去休息放松,所以学习视频的观看次数就会下降(暂时不考虑法定节假日和调休)。

这些模型都是把输入的特征 x 乘上一个权重,再加上一个偏置就得到预测的结果,这样的模型称为线性模型(linear model)。接下来会看如何把线性模型做得更好。

二、分段线性曲线

对于分段线性曲线,线性模型有很大的限制,这一种来自于模型的限制称为模型的偏差,无法模拟真实的情况。

分段曲线可以逼近任何连续曲线

直接写 HardSigmoid 不是很容易,但是可以用一条曲线来理解它,用 Sigmoid 函数来逼近 Hard Sigmoid,如图 1.10 所示。Sigmoid 函数的表达式为
y = c 1 1 + e − ( b + w x 1 ) y = c\frac{1}{1+e^{− (b+wx_1)}} y=c1+e−(b+wx1)1

调整参数,可以绘制出不同的 Sigmoid 函数

在机器学习里面,Sigmoid 或 ReLU 称为激活函数(activation function)。

Q: 优化是找一个可以让损失最小的参数,是否可以穷举所有可能的未知参数的值?

A:只有 w 跟 b 两个参数的前提之下,可以穷举所有可能的 w 跟 b

的值,所以在参数很少的情况下。甚至可能不用梯度下降,不需要优化的技巧。但是参数非常多的时候,就不能使用穷举的方法,需要梯度下降来找出可以让损失最低的参数。

经过上面的多个sigmoid函数的计算,可以得到比较有灵活性的损失函数。

如下图所示,未知参数可以组合成一个向量。

在训练数据和测试数据上的结果是不一致的,这种情况称为过拟合(overfitting)。


总结

每一排称为一层,称为隐藏层(hiddenlayer),很多的隐藏层就"深",这套技术称为深度学习。

相关推荐
热爱跑步的恒川29 分钟前
【论文复现】基于图卷积网络的轻量化推荐模型
网络·人工智能·开源·aigc·ai编程
阡之尘埃2 小时前
Python数据分析案例61——信贷风控评分卡模型(A卡)(scorecardpy 全面解析)
人工智能·python·机器学习·数据分析·智能风控·信贷风控
孙同学要努力4 小时前
全连接神经网络案例——手写数字识别
人工智能·深度学习·神经网络
Eric.Lee20214 小时前
yolo v5 开源项目
人工智能·yolo·目标检测·计算机视觉
其实吧36 小时前
基于Matlab的图像融合研究设计
人工智能·计算机视觉·matlab
丕羽6 小时前
【Pytorch】基本语法
人工智能·pytorch·python
ctrey_6 小时前
2024-11-1 学习人工智能的Day20 openCV(2)
人工智能·opencv·学习
SongYuLong的博客6 小时前
Air780E基于LuatOS编程开发
人工智能
Jina AI6 小时前
RAG 系统的分块难题:小型语言模型如何找到最佳断点?
人工智能·语言模型·自然语言处理
-派神-6 小时前
大语言模型(LLM)量化基础知识(一)
人工智能·语言模型·自然语言处理