17_神经网络–梯度下降的代码实现
经过上一节的讲解我们已经知道了我们的权重是如何更新的,本节将讲解如何将这个过程通过代码实现。基于python和numpy。
这位作者还没有写个人简历。
我们为 nuomi 对 60 篇日志做的贡献感到骄傲。
经过上一节的讲解我们已经知道了我们的权重是如何更新的,本节将讲解如何将这个过程通过代码实现。基于python和numpy。
上章节中我们讲解了如何神经网络如何学习权重以及梯度下降的原理及含义。本章节我们从数学的角度去解析梯度下降的推导方法。这个过程会涉及到神经网络的几个非常关键的参数如learning rate,gradient等。
在上一章节感知器中我们学习了权重(weights)的概念,但是我们是手动设置各输入值的权重的。但很多时候我们并不知道每一个输入值真实的权重是多少,我们需要从现有的数据中学习权重,然后使用权重去做预测。
经过上一节的内容我们了解到,神经网络是如何做出决定的:获取输入信息,对输入信息进行加工,输出最终结果。本节将更进一步了解这个数据加工的过程。数据,例如上一节的test和grades会被输入到神经网络的互相连接的节点中。这些单个节点被称为感知器或人工神经节点。每一个节点观察它的输入数据并决定该作何分类。
我们接着上一章节的录取问题出发,根据我们进行逻辑回归的结果,我们画了一条直线,直线上方的成绩的学生都被录取了, […]
逻辑回归(Logistic Regression)是一种用于解决二分类(0 or 1)问题的机器学习方法,用于 […]
机器学习可以解决很多问题,其中最为重要的两个是 回归与分类。 这两个问题怎么解决, 它们之间又有什么区别呢? […]
本节是车道线识别系列的最后一个考验,之前我们的测试都是基于单张图片的,而现实生活中我们的车获取到的其实是视频流 […]
之前我们讲解了Canny边沿检测与Hough变换的原理。现在我们用Python+opencv实现Canny边沿 […]
前面的章节中我们在图像上画出了符合阈值的点,看起来已经覆盖了我们所需要的车道线,然而在处理时仍然是不够的,因为 […]