摘要：
损失函数：预测值y与已知答案y_的差距。 nn优化的目标： loss最小（mse（均方误差），自定义，ce（交叉熵）） mse（均方误差） 例题：预测酸奶日销量y，x1，x2是影响日销量因素。 建模前，应预先采集的数据有:每日x1、 x2和销量y_ (即已知答案， 最佳情况:产量=销量)拟造数据集x 阅读全文
摘要：
其中MP模型中的非线性函数极为激活函数（激活函数是用来加入非线性因素的，提高神经网络对模型的表达能力，解决线性模型所不能解决的问题。） 优秀的激活函数： 1.非线性：激活函数非线性时，多层神经网络可逼近所有函数 2.可微性: 优化器大多用梯度下降更新参数 3..单调性:当激活函数是单调的，能保证单层 阅读全文
摘要：
神经网络（NN）复杂度： 神经网络(NN)复杂度：多用层数和NN参数的个数表示 空间复杂度： 层数 = 隐藏层的层数+1个输出层 总参数 = 总W+总b 图：3X4+4(第1层) + 4X2+2（第2层） = 26 事件复杂度： 乘加运算次数 图： 3X4(第1层) + 4X2（第2层） = 20 阅读全文
摘要：
tf.where语句 tf.where(条件语句，真返回A，假返回B) import tensorflow as tf a = tf.constant([1,2,3,4,5,6,7]) b = tf.constant([2,3,4,6,7,89,8]) c = tf.where(tf.greater 阅读全文
摘要：
# -*- coding: UTF-8 -*- # 利用鸢尾花数据集，实现前向传播、反向传播，可视化loss曲线 # 导入所需模块 import tensorflow as tf from sklearn import datasets from matplotlib import pyplot a 阅读全文
摘要：
常用函数： 1. import tensorflow as tf x1 = tf.constant([1,2,3],dtype=tf.int8) print(x1) x2 = tf.cast(x1,dtype=tf.float16) x3 = tf.reduce_min(x1) x4 = tf.re 阅读全文
摘要：
tensor(张量)： 数据类型： 1.直接创建向量： tf.constant(张量内容，dtype=数据类型) import tensorflow as tf t=tf.constant([2,3],dtype=tf.int64)#创建一个一阶张量，dtype表示类型，为int64 print(t 阅读全文
摘要：
损失函数：预测值（Xi）与标准答案（xi）的差距 损失函数可定量判断随机产生的参数我，与b的优劣。 均方误差：() 目的：找到一组参数w和b,使得损失函数最小 梯度：函数对各参数求偏导后的向量，函数梯度下降方向是函数减小方向。 梯度下降法：沿损失函数函数梯度下降的方向寻找，寻找函数最小值，得到最优函 阅读全文
摘要：
人工智能的三种主义（行为主义：控制系统，符号主义：专家系统，连接主义：神经网络） 基于联结主义的神经网络的设计过程： 1.准备数据：采集大量“特征，标签”数据 2.搭建网络：搭建神经网络结构 3.优化参数：训练网络获取最佳参数 4.应用网络：将网络保存为模型，输入新数据，输出分类或预测结果 神经网络 阅读全文
摘要：
安装成功！ 阅读全文