【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
AI算力3 小时前
让安全驾驶有“AI”相伴|腾视科技DMS视频监控一体机,守护每一次出行
人工智能·科技·ai·车载终端·ai算力·车载智能终端·车载dvr
泯泷4 小时前
超越基准:Claude Opus 4.5 的 4 个惊人洞察
人工智能
果果软件4 小时前
2026 后台管理系统选型:若依、JeecgBoot、芋道、NocoBase 和 GewuMind Boot 怎么选?
java·人工智能·后端·ai·开源
Csvn4 小时前
刚开始用 WorkBuddy,第一步该做什么?
人工智能
一水鉴天4 小时前
同一与唯一:AppBus 外壳与 DevOps 内核 之1 20261121(元宝)
人工智能·机器学习
Wellijohn5 小时前
一个 Android 老兵的十年开源路:从 167 star 的滑动控件,到本地优先的 AI Agent
android·人工智能·开源
ZONGYUAN-ROOT5 小时前
【API配额】API 配额监控告警不生效?用 Python 监控读数变化量,抓住静态阈值漏掉的「假重置」
人工智能
Wellijohn5 小时前
我把公司内部的 12 个 CRUD 接口交给了 AI Agent,然后省出了两周
人工智能·python·mcp
伞伞悦读7 小时前
【第92期】逻辑回归的分数概率与阈值的实验与排查
人工智能·python·深度学习·机器学习