task01:线性回归;Softmax与分类模型;多层感知机;(主要回顾下概念)
线性回归
基本要素: 模型、数据集、损失函数、优化函数
模型:线性回归假设输出与各个输入之间是线性关系:
优化函数:
当模型和损失函数形式较为简单时,损失函数的误差最小化问题的解可以直接用公式表达出来。这类解叫作解析解(analytical solution)。本节使用的线性回归和平方误差刚好属于这个范畴。然而,大多数深度学习模型并没有解析解,只能通过优化算法有限次迭代模型参数来尽可能降低损失函数的值。这类解叫作数值解(numerical solution)。
在求数值解的优化算法中,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;接下来对参数进行多次迭代,使每次迭代都可能降低损失函数的值。在每次迭代中,先随机均匀采样一个由固定数目训练数据样本所组成的小批量(mini-batch) B ,然后求小批量中数据样本的平均损失有关模型参数的导数(梯度),最后用此结果与预先设定的一个正数的乘积作为模型参数在本次迭代的减小量。
学习率: η 代表在每次优化中,能够学习的步长的大小
批量大小: B 是小批量计算中的批量大小batch size
总结,优化函数的有以下两个步骤:
(i)初始化模型参数,一般来说使用随机初始化;
(ii)我们在数据上迭代多次,通过在负梯度方向移动参数来更新每个参数。
向量相加的两种方法:
1、将这两个向量按元素逐一做标量加法。
import torch import time # init variable a, b as 1000 dimension vector n = 1000 a = torch.ones(n) b = torch.ones(n) timer = Timer() c = torch.zeros(n) for i in range(n): c[i] = a[i] + b[i] '%.5f sec' % timer.stop()
2、将这两个向量直接做矢量加法。
timer.start() d = a + b '%.5f sec' % timer.stop()
结果很明显,后者比前者运算速度更快。因此,我们应该尽可能采用矢量计算,以提升计算效率。
Softmax与分类模型
多层感知机(multilayer perceptron,MLP)
下图展示了一个多层感知机的神经网络图,它含有一个隐藏层,该层中有5个隐藏单元。
- 点赞
- 收藏
- 分享
- 文章举报
- 《动手学深度学习》笔记 Task01 线性回归;Softmax与分类模型、多层感知机
- 动手学深度学习-线性回归;Softmax与分类模型;多层感知机
- Task1.0 学习笔记线性回归;Softmax与分类模型、多层感知机
- ElitesAI·动手学深度学习PyTorch版学习笔记-线性回归;Softmax与分类模型、多层感知机
- 动手学深度学习(PyTorch)task01:线性回归;Softmax与分类模型、多层感知机
- 线性回归、Softmax与分类模型、多层感知机
- 深度学习softmax与多层感知机分类模型
- 机器学习(二)广义线性模型:逻辑回归与Softmax分类
- Keras 多层感知机 多类别的 softmax 分类模型代码
- 动手学深度学习 线性回归-Softmax与分类模型-多层感知机
- Tensorflow搭建第一个多层感知机模型(mnist手写体数字分类)
- 初学ML笔记N0.1——线性回归,分类与逻辑斯蒂回归,通用线性模型
- 主要介绍四种不同线性分类模型:SVM
- 初学ML笔记N0.1——线性回归,分类与逻辑斯蒂回归,通用线性模型
- 基于深度学习的自然语言处理——从线性模型到多层感知机
- 初学ML笔记N0.1——线性回归,分类与逻辑斯蒂回归,通用线性模型
- 初学ML笔记N0.1——线性回归,分类与逻辑斯蒂回归,通用线性模型
- 初学ML笔记N0.1——线性回归,分类与逻辑斯蒂回归,通用线性模型
- 初学ML笔记N0.1——线性回归,分类与逻辑斯蒂回归,通用线性模型
- 分类算法(一):广义线性模型之线性回归、逻辑回归