iT邦幫忙

neural network相關文章
共有 49 則文章

技術 梯度下降法(8) -- Activation Function

Activation Function是將線性迴歸轉換為非線性函數,使神經網路更具通用性(Generalization),類似Kernel PCA及Kernel...

技術 梯度下降法(7) -- 優化器(Optimizer)

上篇探討學習率的調整,接著討論優化器對模型訓練的影響。 優化器(Optimizer) 優化(Optimization)是以最小化損失函數為目標,尋找模型參數的最...

技術 梯度下降法(6) -- 動態調整學習率

魔鬼藏在細節裡,要讓模型訓練更快速、更準確,必須進一步掌握模型的超參數(Hyperparameters)設定,包括如何動態調整學習率、選用各種優化器、損失函數、...

技術 徹底理解神經網路的核心 -- 梯度下降法的應用 (5)

前四篇介紹梯度下降法,對神經網路求解,這次再舉幾個例子,幫助我們更靈活的應用梯度下降法,包括: 以自動微分實作手寫阿拉伯數字辨識,結合TensorFlow/K...

技術 徹底理解神經網路的核心 -- 梯度下降法 (4)

上一篇自行開發梯度下降法找到最佳解,這次我們使用TensorFlow低階API進行自動微分(Automatic Differentiation),並實作多元線性...

技術 徹底理解神經網路的核心 -- 梯度下降法 (3)

前兩篇梯度下降法的求解都隱藏在一行程式碼 model.fit 中,這次使用自行開發實作梯度下降法,以瞭解內部求解的邏輯。 梯度下降法的作法 梯度下降法是利用正向...

技術 徹底理解神經網路的核心 -- 梯度下降法 (2)

上一篇介紹神經網路的基本概念,這次透過簡單的範例理解梯度下降法的運作。 最簡單的神經網路 範例. 以神經網路建構攝氏與華氏溫度轉換的模型,我們收集7筆資料如下:...

技術 徹底理解神經網路的核心 -- 梯度下降法 (1)

神經網路(Neural Network)是深度學習的基石,不管是大語言模型(ChatGPT)或生成式AI(MidJourney、Stable Diffusion...

鐵人賽 AI & Data DAY 16

技術 Day16 因為學習而聰明 - AUTOMATIC DIFFERENTIATION

在訓練神經網絡時,最常用的算法是反向傳播(back propagation)。在這個算法中,根據損失函數對給定參數的梯度,調整參數(模型權重)。 為了計算這些梯...

鐵人賽 AI & Data DAY 15

技術 Day15 打造神經網路的咒語

分解Cat vs Ravbbit模型中的各個層次。為了方便講解,我們將取一個大小為224x224的且批次為 10 (10張224*224大小的圖片)的隨機 te...

鐵人賽 AI & Data DAY 14

技術 Day14 創建神經網路的魔法

torch.nn 命名空間提供了構建自己的神經網路所需的所有基本組件。在PyTorch中,每個模組都是 nn.Module 的子類別。神經網路本身也是一個模組,...

鐵人賽 AI & Data DAY 2
LLM 學習筆記 系列 第 2

技術 LLM Note Day 2 - 神經網路語言模型

簡介 透過文本捕捉語言結構,進而建立一個統計機率模型,廣義而言就可以被稱作一種語言模型。本文主要介紹透過神經網路訓練出來的語言模型,以及常見 Transform...

鐵人賽 AI & Data DAY 20

技術 【Day 20】神經網路實作 Neural network implementation

今天將以深度學習常見的手寫阿拉伯數字辨識的資料集訓練,keras提供了兩種類型的模型,第一個是Sequential model,適用於簡單的結構,一層一層的連接...

鐵人賽 AI & Data DAY 19

技術 【Day 19】神經網路簡介與梯度下降法

今日大綱 神經網路簡介 梯度下降法 (Gradient descent) 激活函數 (Activation function) 程式碼 神經網路簡介 下圖為...

鐵人賽 AI & Data DAY 17

技術 【NLP】Day 17: 每天成為更好的自己!神經網路也是!深度學習模型 GRU

今天沒有引言,但是有梗圖 前天的文章介紹了基本的循環神經網路RNN,但RNN的致命缺點是容易導致梯度下降或是梯度爆炸。為了要解決這個問題,必須在以下兩點...

鐵人賽 AI & Data DAY 16

技術 【NLP】Day 16: 跟你我一樣選擇性記憶的神經網路?深度學習:長短期記憶 LSTM

記憶是個很奇妙的東西。他並不如我想像中那樣運作的。我們太受限於時間了,尤其是時間的順序...《異星入境》Louise Banks 昨天我們剛介紹完循環神經網...

技術 課堂筆記 - 深度學習 Deep Learning (1)

前導介紹說到深度學習,首先需要了解什麼是類神經網路和它的操作方法。類神經網路,顧名思義就是仿造人類的神經而去打造而成的演算法,讓其能夠透過像是神經傳導一樣接收...

鐵人賽 AI & Data DAY 16

技術 [深度學習回顧] How Deep Would You Learn?

前言 不知不覺,鐵人賽的賽程已經來進行了一半,每天發文使得生活過得非常充實。也感謝這裡的許多高手發表優質文章,讓第一次參賽又是跨IT領域的自己感到無比熱血。大家...

技術 筆記-回聲狀態神經網路(Echo state network)

更新紀錄: 2020/05/07-更新排版、代碼、參考文獻 前言: ESN是RNN的一個變種,優點在於訓練速度比一般RNN快幾百倍(用回歸求解矩陣)。主要參...

鐵人賽 AI & Data DAY 13

技術 14 淺層神經網路

為什麼大家到現在都這麼迷神經網路模型? 我想主因不是因為他是模擬生物而來,他有一些更扎實的數學特性。 我們前面講過各種線性模型,然後將他過渡到神經網路。 今天要...

鐵人賽 AI & Data DAY 11

技術 12 從線性模型到神經網路

我們把線性模型們都大統一了。 接下來就要進入到令人興奮的神經網路模型了! 首先,我們先來介紹著名的感知器...嗯...前面不是介紹過了? 喔喔!對喔!他長這個...

達標好文 技術 Day N+1:進一步理解『梯度下降』(Gradient Descent)

前言 在 Neural Network 的求解過程中,最重要而難懂的觀念應該是『梯度下降』(Gradient Descent)吧 ,我雖然在Day 03:Neu...

鐵人賽 AI & Machine Learning DAY 30

達標好文 技術 Day 30:完結篇 -- Machine Learning 工作前景與技能

前言 當我們人生決定轉向,不能免俗的,一定要了解市場行情,免得誤入歧途,人財兩失。因此針對 Machine Learning 相關的工作進行了一番調查,除了工作...

鐵人賽 AI & Machine Learning DAY 29

技術 Day 29:機器學習的資料處理生命週期

資料處理流程(Process) 機器學習(Machine Learning)處理資料的生命週期(Life cycle) 與 Data Mining 是一致的,這...

鐵人賽 AI & Machine Learning DAY 28

達標好文 技術 Day 28:小學生談『生成對抗網路』(Generative Adversarial Network,GAN)

前言 Facebook AI 大師 Yann LeCun 在接受Quora專訪時說『GAN及其變形是近十年最有趣的想法(This, and the variat...

鐵人賽 AI & Machine Learning DAY 26

達標好文 技術 Day 26:自動語音識別(Automatic Speech Recognition) -- 觀念與實踐(續)

前言 上一篇我們舉了一個很簡單的範例,判斷聲音是bed、cat 或是 happy,實務上它可以應用在一些場域,例如,PowerPoint簡報時,我們可以用聲音下...

鐵人賽 AI & Machine Learning DAY 25

達標好文 技術 Day 25:自動語音識別(Automatic Speech Recognition) -- 觀念與實踐

前言 Neural Networks 在影像、文字、語音等自然使用者介面(NUI)處理有突破性的發展,之前我們已經見證過影像及文字的辨識威力了,從這一篇開始,我...

鐵人賽 AI & Machine Learning DAY 24

技術 Day 24:銷售量預測(2) -- 『時間序列分析』技巧篇

前言 上一篇我們以航空公司的每月乘客人數為例,使用 LSTM 模型預測下個月的乘客數,其中牽涉到『時間序列分析』(Time Series Analysis)一些...

鐵人賽 AI & Machine Learning DAY 23

達標好文 技術 Day 23:銷售量預測 -- LSTM 的另一個應用

前言 之前,我們都在影像、語言等基礎應用上打轉,這次我們要來探討一個可應用在企業運作上的實例,銷售預測主要是希望藉由過去的銷售記錄預測下一個週期的銷售量,在統計...

鐵人賽 AI & Machine Learning DAY 21

技術 Day 21:自動擷取摘要(Automatic Text Summarization)

前言 現在人身處網路時代,每天都會收到一堆LINE、Email、Facebook、Instantgram、...等等五花八門的訊息或網頁,花整天看都消化不完,只...