如何用html制作网站/互联网营销师考证多少钱

如何用html制作网站,互联网营销师考证多少钱,品牌策划公司海报,wordpress 浮动定位感知机 输入:来自其他 n 个神经元传递过来的输入信号 处理:输入信号通过带权重的连接进行传递, 神经元接受到总输入值将与神经元的阈值进行比较 输出:通过激活函数的处理以得到输出 感知机由两层神经元组成, 输入层接受外界输入信号传递给…

感知机

  • 输入:来自其他 n 个神经元传递过来的输入信号

  • 处理:输入信号通过带权重的连接进行传递, 神经元接受到总输入值将与神经元的阈值进行比较

  • 输出:通过激活函数的处理以得到输出

感知机由两层神经元组成, 输入层接受外界输入信号传递给输出层, 输出层是M-P神经元(阈值逻辑单元) 

 

若感知机对训练样例 (x,y) 预测正确,则感知机不发生变化;否则根据错误程度进行权重的调整。

若两类模式线性可分, 则感知机的学习过程一定会收敛;否则感知机的学习过程将会发生震荡,单层感知机的学习能力非常有限, 只能解决线性可分问题。 


 多层感知机

输出层与输入层之间的一层神经元, 被称之为隐层或隐含层, 隐含层和输出层神经元都是具有激活函数的功能神经元。

感知机-多层前馈神经网络


误差逆传播算法(Error BackPropagation, 简称BP)

 

 

 参数个数:d个输入神经元连接q个隐层神经元 d*q,q个隐层神经元连接l个输出神经元 q*l,再加 q+ l个阈值,最终结果是(d+l+q)*q+l。

工作流程:

(1)将输入示例提供给输入层神经元,逐层将信号前传,直到产生输出结果

(2)计算输出层与真实值的误差,将误差使用BP算法传播到整个网络,对连接权重及阈值进行调整。

(3) 该迭代过程循环进行,直到达到某些停止条件为止。(例如训练误差达到了很小的值,或者整个数据集运行了20轮)

多层前馈网络表示能力 :只需要一个包含足够多神经元的隐层, 多层前馈神经网络就能以任意精度逼近任意复杂度的连续函数 。

多层前馈网络局限 :神经网络由于强大的表示能力, 经常遭遇过拟合。表现为:训练误差持续降低, 但测试误差却可能上升 。如何设置隐层神经元的个数仍然是个未决问题.。

实际应用中通常使用“试错法”调整 缓解过拟合的策略 。

早停:在训练过程中, 若训练误差降低, 但验证误差升高, 则停止训练 。

正则化:在误差目标函数中增加一项描述网络复杂程度的部分, 例如连接权值与阈值的平方和。


卷积神经网络

卷积:平移不变模式,提取局部特征。

池化:对图像进行缩放。

卷积网络一般框架:卷积层+激活函数+池化层+全连接层。

卷积+激活+池化:出现多次,用于提取特征。

全连接层:最后一次出现,用于分类。

 

输入层 

输入层:输入层是对数据进行预处理的阶段,将输入的数据(图像/文字)转换成网络能够计算的数字。

 卷积层

卷积层(Convolutional layer),卷积神经网络中每层卷积层由若干卷积单元(卷积核)组成,每个卷积单元的参数都是通过反向传播算法优化得到的。

卷积运算的目的是提取输入的不同特征,第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级,更多层的网络能从低级特征中迭代提取更复杂的特征。

  • 卷积核(filter/kernel):用于对输入图像进行共享权值的遍历
  • 步长(stride):卷积核在图片上移动的大小
  • 填充(padding):满足输出的图像的维度要求

激活层

往模型中加入非线性元素,可以更好地解决复杂的问题。

池化层

 池化层的主要的作用是压缩数据和参数的量(保持最显著的特征),通过去掉上一层的输出中不重要的信息,进一步减少参数数量。Pooling的方法很多,常用方法有最大池化与均值池化。

全连接层(Fully Connected Layer,简称FC层)

  • 特征整合:全连接层将前一层的所有输出与当前层的每个神经元连接,能够整合前一层的局部或全局特征,生成新的特征表示。【将多层的特征映射成一个一维的向量】
  • 非线性变换:通过激活函数(如ReLU、Sigmoid等),全连接层引入非线性,增强模型的表达能力,使其能够拟合更复杂的函数。
  • 输出转换:在分类任务中,全连接层通常作为最后的输出层,将高维特征映射到类别空间。【对卷积层获得的不同的特征进行加权,最终目的是得到一个可以对不同类别进行区分的得分】【输出层就是获得对应每个类别的得分】
  • 参数学习:全连接层通过大量可训练参数(权重和偏置)学习数据的内在规律,提升模型的性能。
  • 输入:前一层的所有输出。

  • 输出:每个神经元的加权和经过激活函数后的结果。

  • 参数:权重矩阵 WW和偏置向量 b,通过反向传播优化。

 卷积网络在本质上是一种输入到输出的映射,它能够学习大量的输入与输出之间的映射关系,而不需要任何输入和输出之间的精确的数学表达式,只要用已知的模式对卷积网络加以训练,网络就具有输入输出对之间的映射能力。卷积神经网络的训练过程与传统神经网络类似,也是参照了反向传播算法。



循环神经网络

循环神经网络是一种对序列数据建模的神经网络。

RNN不同于前向神经网络,它的层内、层与层之间的信息可以双向传递,更高效地存储信息,通常用于处理信息序列的任务。

RNN主要用来处理序列数据,在传统的神经网络模型中,每层内的节点之间无连接,但是循环神经网络中当前神经元的输出与前面的输出也有关,网络会对前面的信息进行记忆并用于当前神经元的计算中。

...


LSTM

这里包含两个部分。首先,sigmoid 层称 “输入门层” 决定将要存放在细胞状态的信息量的大小。然后,一个 tanh 层创建一个新的候选值向量会被加入到状态中。下一步,我们会将这两个信息来产生对状态的更新。


 激活函数


Softmax

Softmax 是一种常用的激活函数,主要用于多分类任务中,将神经网络的输出转换为概率分布。

它的核心作用是将一组任意实数转换为概率值,这些概率值的总和为 1,便于表示每个类别的预测概率。

Softmax 的特性:

  1. 输出为概率分布

    • Softmax 的输出是一个概率分布,每个类别的概率值在 [0,1] 之间,且所有类别的概率之和为 1。

    • 例如,对于 3 个类别,Softmax 的输出可能是[0.2,0.7,0.1]。

  2. 放大差异

    • Softmax 通过指数运算放大高分值的类别,抑制低分值的类别,使得高分值的类别概率更接近 1,低分值的类别概率更接近 0。

  3. 可导性

    • Softmax 是连续可导的,便于通过梯度下降法优化模型。

Softmax 的应用场景

  1. 多分类任务

    • 在神经网络的最后一层使用 Softmax,将输出转换为类别概率分布。

    • 例如,图像分类任务中,Softmax 可以将卷积神经网络的特征映射为每个类别的概率。

  2. 损失函数结合

    • Softmax 通常与交叉熵损失函数(Cross-Entropy Loss)结合使用,用于衡量预测概率分布与真实标签之间的差异。

它通过指数运算和归一化,将原始得分映射为概率值,便于模型训练和预测。

我们希望模型输出y(j)可以视为属于类j的概率,然后选择具有最大输出值的类别argmaxy(j)作为我们的预测。softmax:最大概率的标签,能够将未规范化的预测变换为非负数,并且总和为1,同时能够让模型保持可导。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/web/72366.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

C++相关基础概念之入门讲解(上)

1. 命名空间 C中的命名空间(namespace)是用来避免命名冲突问题的一种机制。通过将类、函数、变量等封装在命名空间中,可以避免不同部分的代码中出现相同名称的冲突。在C中,可以使用namespace关键字来定义命名空间。 然后我们在调…

网络协议栈

网络协议栈的位置 用户在应用层的各种请求最终会下达给操作系统,操作系统内除了进程管理、文件管理、内存管理、驱动管理之外,还有一个内嵌的软件协议栈,协议栈将用户的数据进行各种封包后,通过网卡将数据传递到网络当中&#xf…

C++之list类(超详细)

在上一节中我们学习了STL中的vector这个容器,这节我们来学习一下另外一个常用的容器——list。 文章目录 前言 一、list的介绍 二、list的使用及相关接口 1.list的使用 2.list的迭代器使用 3.list的相关接口 3.1 list capacity 3.2 list element access 3.3…

mysql、oracle、SQLserver之间的区别和优势

MySQL、Oracle和SQL Server都是常见的关系型数据库管理系统(RDBMS),它们在某些方面有一些区别和优势。 MySQL: MySQL是一种开源的RDBMS,由Oracle公司开发和维护。它具有快速、稳定和易于使用的特点。MySQL适用于中小型…

75.HarmonyOS NEXT ImageItemView组件深度剖析:手势交互与动画实现(二)

温馨提示:本篇博客的详细代码已发布到 git : https://gitcode.com/nutpi/HarmonyosNext 可以下载运行哦! HarmonyOS NEXT ImageItemView组件深度剖析:手势交互与动画实现(二) 一、手势系统架构 .gesture(GestureGroup(GestureMode.Exclusiv…

Qt 控件概述 QWdiget

Qt为我们提供了很多控件,这些控件拿过来就可以使用 目录 QWidget 属性 WindowFrame的影响 QWidget Qt中所有的组件都是继承自QWidget Qt Creator中的右侧可以看到QWidget的各种属性 其中各种属性都可以在Qt文档中找到说明 ​ 属性 enabled:描述该组…

适合企业内训的AI工具实操培训教程(37页PPT)(文末有下载方式)

详细资料请看本解读文章的最后内容。 资料解读:适合企业内训的 AI 工具实操培训教程 在当今数字化时代,人工智能(AI)技术迅速发展,深度融入到各个领域,AIGC(人工智能生成内容)更是成…

Spring Boot对接twilio发送邮件信息

要在Spring Boot应用程序中对接Twilio发送邮件信息,您可以使用Twilio的SendGrid API。以下是一个简单的步骤指南,帮助您完成这一过程: 1. 创建Twilio账户并获取API密钥 注册一个Twilio账户(如果您还没有的话)。在Twi…

【最后203篇系列】015 几种消息队列的思考

背景 队列还是非常重要的中间件,可以帮助我们:提高处理效率、完成更复杂的处理流程 最初,我觉得只要掌握一种消息队列就够了,现在想想挺好笑的。 过去的探索 因为我用python,而rabbitmq比较贴合快速和复杂的数据处…

TensorFlow 与 TensorFlow Lite:核心解析与层应用

1. 引言 TensorFlow 是 Google 开发的开源机器学习框架,支持从数据预处理、模型训练到推理部署的完整生命周期。然而,在嵌入式和移动设备上,原生 TensorFlow 过于庞大,因此 Google 推出了轻量级版本——TensorFlow Lite&#xff…

DeepSeek大模型在政务服务领域的应用

DeepSeek大模型作为国产人工智能技术的代表,近年来在政务服务领域的应用呈现多点开花的态势。通过多地实践,该技术不仅显著提升了政务服务的效率与智能化水平,还推动了政府治理模式的创新。以下从技术应用场景、典型案例及发展趋势三个维度进…

电子电气架构 --- 分布到集中的动カ系统及基于域控制器的架构

我是穿拖鞋的汉子,魔都中坚持长期主义的汽车电子工程师。 老规矩,分享一段喜欢的文字,避免自己成为高知识低文化的工程师: 所有人的看法和评价都是暂时的,只有自己的经历是伴随一生的,几乎所有的担忧和畏惧,都是来源于自己的想象,只有你真的去做了,才会发现有多快乐。…

深入理解C/C++堆数据结构:从原理到实战

一、堆的本质与特性 1.1 什么是堆数据结构? 堆(Heap)是一种特殊的完全二叉树,它满足以下核心性质: 堆序性:每个节点的值都满足特定顺序关系 结构性:完全二叉树的结构特性(除最后一…

Python学习第十七天

Django框架-SQLite3 介绍 Django内置了对 SQLite3 数据库的支持。SQLite3 是一个轻量级的嵌入式数据库引擎,非常适合开发、测试和小型项目。以下是关于 Django 中 SQLite3 的介绍和应用指南。(除了这些还支持mysql、oracle以及其他查询文档,…

Docker 》》Docker Compose 》》network 网络 compose

docker 默认的网络 三种模式 # 列出所有当前主机上或Swarm集群上的网络 docker network ls#查看网络详情 docker network inspect network名称# 清除未使用的docker网络 docker network prune -f# 创建网络 ocker network create -d bridge 网络名称 docker network create –s…

Python数字信号处理之最佳等波纹滤波器阶数估计原理

Matlab中的阶数估计函数 在MATLAB中,使用firpmord函数可以估算等波纹FIR滤波器的最小阶数。该方法基于Parks-McClellan算法,通过通带和阻带的频率边界、幅度响应及允许的最大误差来自动计算参数。 rp 3; % Passband ripple in dB rs 40; …

JumpServer基础功能介绍演示

堡垒机可以让运维人员通过统一的平台对设备进行维护,集中的进行权限的管理,同时也会对每个操作进行记录,方便后期的溯源和审查,JumpServer是由飞致云推出的开源堡垒机,通过简单的安装配置即可投入使用,本文…

Android LeakCanary 使用 · 原理详解

一、简介 LeakCanary 是 Square 公司开源的 Android 内存泄漏检测工具,通过自动化监控和堆转储分析,帮助开发者快速定位内存泄漏根源。其核心设计轻量高效,已成为 Android 开发中必备的调试工具。 二、使用方式 1. 集成步骤 在项目的 buil…

每日一题---dd爱框框(Java中输入数据过多)

dd爱框框 实例: 输入: 10 20 1 1 6 10 9 3 3 5 3 7 输出: 3 5 这道题要解决Java中输入的数过多时,时间不足的的问题。 应用这个输入模板即可解决: Java中输入大量数据 import java.util.*; import java.io.*;pu…

redis部署架构

一、redis多实例部署 实例1 安装目录:/app/6380 数据目录:/app/6380/data 实例2 安装目录:/app/6381 数据目录:/app/6381/data 1、创建实例安装目录 2、拷贝实例的配置文件 3、编辑实例的配置文件 第…