摘要：
2.2 数据操作 2.2.1 创建 tensor 2.2.2 运算 2.2.3 广播机制 2.2.4 索引 2.2.5 运算的内存开销 2.2.6 tensor 和 NumPy 相互变换 2.3 自动求梯度 阅读全文
摘要：
1.机器学习的三要素就是：表示，评估和优化。 （1）表示： 将样本空间映射到一个合适的特征空间，一般地，我们更青睐于这样的表示是低维度的，是更加稀疏交互的，同时也希望是相互独立的。【从大量特征挑出好的特征，降维】 让机器来学习怎样表示，就是表示学习。 （2）评估： 模型在数据上表现的量化形式，我们选 阅读全文
摘要：
3.1 线性回归 回归：输出是连续值。回归问题在实际中很常见，如预测房屋价格、气温、销售额等连续值的问题。 线性回归适用于回归问题。 分类：输出是离散值。我们所说的图像分类、垃圾邮件识别、疾病检测等输出为离散值的问题都属于分类问题的范畴。 softmax回归则适用于分类问题。 线性回归和softma 阅读全文
摘要：
先定义什么是优化，优化是求损失最小值情况下的参数。这里的调参不包括超参数，超参数怎么调可以参考。 1.梯度下降算法 小批量随机梯度下降（mini-batch stochastic gradient descent）在深度学习中被广泛使用。 它的算法很简单： 先选取一组模型参数的初始值，如随机选取； 阅读全文
摘要：
概念区分 性能度量vs损失函数 损失函数、代价函数与目标函数 损失函数（Loss Function）：是定义在单个样本上的，是指一个样本的误差，度量模型一次预测的好坏。代价函数（Cost Function）=成本函数=经验风险：是定义在整个训练集上的，是所有样本误差的平均，也就是所有损失函数值的平均 阅读全文
摘要：
使用tensorflow2.0提供的GradientTape来自动求梯度。 1.tf.GradientTape基本使用方法 偏导，同时求多个偏导，二阶导，多个，两个函数对一个参数求导…… 参考： https://www.liulinlong.cn/index.php/archives/180/ 《动 阅读全文