档案 | 使用 PyTorch 进行深度学习

传统的神经网络模型称为多层感知机。它们通常由一系列相互连接的层组成。输入层是数据进入网络的入口，输出层是网络传递输出的地方。输入层通常连接到一个或多个隐藏层，这些隐藏层 [...]

神经网络是由相互连接的神经元节点组成的集合。神经元不仅连接到相邻的神经元，还连接到更远的神经元。神经网络背后的主要思想是，层中的每个神经元都有一个或多个输入值，它们 [...]

Softmax 分类器是一种监督学习中的分类器。它是深度学习网络中的重要构建块，也是深度学习从业者中最受欢迎的选择。Softmax 分类器适用于多类分类，它输出每个类别的概率。本教程将教您如何构建一个 softmax [...]

虽然逻辑回归分类器用于二元分类，但 Softmax 分类器是一种监督学习算法，主要用于涉及多个类别的情况。Softmax 分类器通过为每个类别分配概率分布来工作。概率最高的类别的概率分布被归一化为 1，而所有其他 [...]

为了构建一个能够准确分类数据样本并在测试数据上表现良好的分类器，您需要以模型良好收敛的方式初始化权重。通常我们随机化权重。但当我们使用均方误差 (MSE) 作为训练逻辑回归模型的损失时，我们可能会 [...]

逻辑回归是一种用于建模事件概率的统计技术。它通常用于机器学习中进行预测。当我们预测分类结果时，我们应用逻辑回归。在 PyTorch 中，逻辑回归的构建与线性回归类似。它们都应用于线性输入。 [...]

多目标多线性回归模型是一种机器学习模型，它以单个或多个特征作为输入来做出多个预测。在我们之前的帖子中，我们讨论了如何通过多线性回归进行简单预测并生成多个输出。在这里，我们将构建我们的模型并在数据集上对其进行训练。在此 [...]

虽然在之前的几个教程中我们处理的是单输出多线性回归，但在这里我们将探讨如何将多线性回归用于多目标预测。复杂的神经网络架构本质上是让每个神经元单元独立执行线性回归，然后将其结果传递给另一个神经元。因此，了解这种回归如何工作 [...]

神经网络架构由数百个神经元构建，每个神经元接收多个输入以执行用于预测的多线性回归操作。在之前的教程中，我们构建了一个仅使用前向函数进行预测的单输出多线性回归模型。在本教程中，我们将向我们的单 [...]

多线性回归模型是一种监督学习算法，给定多个输入变量 x，可用于预测目标变量 y。这是一个线性回归问题，其中使用一个或多个输入变量 x 或特征来预测目标变量 y。该算法的典型用例是 [...]