<kbd id="afajh"><form id="afajh"></form></kbd>
<strong id="afajh"><dl id="afajh"></dl></strong>
    <del id="afajh"><form id="afajh"></form></del>
        1. <th id="afajh"><progress id="afajh"></progress></th>
          <b id="afajh"><abbr id="afajh"></abbr></b>
          <th id="afajh"><progress id="afajh"></progress></th>

          ?專為初學(xué)者設(shè)計(jì)——最小的神經(jīng)網(wǎng)絡(luò)

          共 2127字,需瀏覽 5分鐘

           ·

          2022-01-14 21:23








          點(diǎn)擊上方小白學(xué)視覺(jué)”,選擇加"星標(biāo)"或“置頂

          重磅干貨,第一時(shí)間送達(dá)

          圖源:zhihu

          約翰,不可忽視直覺(jué)。因?yàn)橹庇X(jué)表示處理過(guò)快的數(shù)據(jù),這讓有意識(shí)的人根本無(wú)法理解。——Sherlock Holmes
          ?
          神經(jīng)網(wǎng)絡(luò)龐大且復(fù)雜,對(duì)初學(xué)者非常不友好。
          ?
          所以小芯帶來(lái)了本期文章——致力于為初學(xué)者創(chuàng)建最小的神經(jīng)網(wǎng)絡(luò)。
          ?
          而比起神經(jīng)網(wǎng)絡(luò)背后的復(fù)雜數(shù)學(xué)和算法,通過(guò)創(chuàng)建最小的神經(jīng)網(wǎng)絡(luò)并訓(xùn)練它來(lái)完成一個(gè)簡(jiǎn)單的任務(wù),更能讓你對(duì)神經(jīng)網(wǎng)絡(luò)如何工作有一個(gè)直觀的印象。
          ?
          下面,我們開(kāi)始吧~
          ?
          圖源:blog.sina.com.cn
          神經(jīng)網(wǎng)絡(luò)背后的想法
          ?
          神經(jīng)網(wǎng)絡(luò)是權(quán)重的集合。我們可以在一組輸入和輸出值(目標(biāo)或標(biāo)簽)上訓(xùn)練神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)內(nèi)部的權(quán)重與輸入相連并輸出結(jié)果。在訓(xùn)練網(wǎng)絡(luò)時(shí),權(quán)重會(huì)更新,這樣網(wǎng)絡(luò)就能嘗試匹配輸出值與目標(biāo)值。簡(jiǎn)而言之,神經(jīng)網(wǎng)絡(luò)就是學(xué)習(xí)輸入和輸出之間的映射。現(xiàn)在,讓我們一起來(lái)看看所有這些是什么意思。
          ?
          最小的神經(jīng)網(wǎng)絡(luò)
          ?
          以下是只有一個(gè)權(quán)重(w)的最小神經(jīng)網(wǎng)絡(luò)。輸入一個(gè)值(x),乘以權(quán)重,結(jié)果就是網(wǎng)絡(luò)的輸出值。


          由于這個(gè)神經(jīng)網(wǎng)絡(luò)非常小,我們將在一個(gè)非常簡(jiǎn)單的任務(wù)上對(duì)其進(jìn)行訓(xùn)練。我們的任務(wù)是向其提供任何數(shù)字,網(wǎng)絡(luò)應(yīng)更改該數(shù)字的符號(hào)。例如,如果輸入3,則網(wǎng)絡(luò)應(yīng)輸出-3。
          ?
          利用Keras創(chuàng)建神經(jīng)網(wǎng)絡(luò)
          ?
          現(xiàn)在,我將在Keras中構(gòu)建并訓(xùn)練最小的神經(jīng)網(wǎng)絡(luò),這是一個(gè)深度學(xué)習(xí)庫(kù)。現(xiàn)在不需要深入了解語(yǔ)法,這只是為了有個(gè)直觀印象。
          ?
          import kerasfrom keras.layers import Densemodel = keras.models.Sequential()model.add(Dense(1, input_shape=(1,)))model.compile(loss='mse', optimizer='adam')
          ?view rawsmallest_nn.py?hostedwith ? by?GitHub

          創(chuàng)建一個(gè)神經(jīng)網(wǎng)絡(luò)
          ?
          太棒了!我們創(chuàng)建了只有一個(gè)權(quán)重的神經(jīng)網(wǎng)絡(luò)。現(xiàn)在,我們來(lái)創(chuàng)建用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)。
          ?
          創(chuàng)建數(shù)據(jù)
          ?
          import numpy as npdata_input = np.random.normal(size=100000)data_label =-(data_input)
          ?view rawsmallest_nn_data.py?hostedwith ? by?GitHub

          創(chuàng)建訓(xùn)練數(shù)據(jù)
          ?
          我們也創(chuàng)建了訓(xùn)練數(shù)據(jù)。數(shù)據(jù)包含10萬(wàn)個(gè)隨機(jī)數(shù),標(biāo)簽為該數(shù)字的負(fù)數(shù)。用剛剛創(chuàng)建的數(shù)據(jù)來(lái)訓(xùn)練網(wǎng)絡(luò)。

          訓(xùn)練網(wǎng)絡(luò)

          ?
          首先,隨機(jī)初始化神經(jīng)網(wǎng)絡(luò)的權(quán)重。隨著不斷訓(xùn)練網(wǎng)絡(luò),權(quán)重也會(huì)隨之更新。開(kāi)始訓(xùn)練之前,請(qǐng)先檢查權(quán)重。
          ?
          訓(xùn)練之前的權(quán)重
          ?
          現(xiàn)在把數(shù)據(jù)放入網(wǎng)絡(luò)中進(jìn)行擬合。擬合只不過(guò)是訓(xùn)練的另一個(gè)名稱。
          ?
          訓(xùn)練網(wǎng)絡(luò)
          ?
          我們已經(jīng)訓(xùn)練完了網(wǎng)絡(luò)。正如你在進(jìn)度條中看到的一樣,網(wǎng)絡(luò)是在10萬(wàn)個(gè)樣本上訓(xùn)練的。現(xiàn)在向網(wǎng)絡(luò)輸入一個(gè)值并觀察反應(yīng)。
          ?
          觀察反應(yīng)
          ?
          網(wǎng)絡(luò)幾乎完成了任務(wù)。輸出值與輸入數(shù)字非常接近,而且符號(hào)相反。因?yàn)槲覀儗⒃诟嗟臄?shù)據(jù)上訓(xùn)練這個(gè)網(wǎng)絡(luò),所以輸出結(jié)果會(huì)越來(lái)越接近目標(biāo)值。看一下現(xiàn)在的權(quán)值。
          ?
          訓(xùn)練后的權(quán)重?
          當(dāng)我們對(duì)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)訓(xùn)練時(shí),權(quán)重從0.42變?yōu)?1左右。很顯然,一個(gè)數(shù)字只有乘以-1才能改變?cè)摂?shù)字的符號(hào)。
          ?
          圖源:ofoto.cc
          ?
          作為一個(gè)函數(shù)逼近器,基本上神經(jīng)網(wǎng)絡(luò)可以通過(guò)調(diào)整它的權(quán)值來(lái)學(xué)習(xí)任何輸入值和輸出值之間的映射。一旦它學(xué)會(huì)了這種映射,它就可以給任何一個(gè)輸入值生成一個(gè)近似的輸出值。
          ?
          所以,即使你是初學(xué)者,也不要怕,從創(chuàng)建最小的神經(jīng)網(wǎng)絡(luò)開(kāi)始吧~





          下載1:OpenCV-Contrib擴(kuò)展模塊中文版教程
          在「小白學(xué)視覺(jué)」公眾號(hào)后臺(tái)回復(fù):擴(kuò)展模塊中文教程即可下載全網(wǎng)第一份OpenCV擴(kuò)展模塊教程中文版,涵蓋擴(kuò)展模塊安裝、SFM算法、立體視覺(jué)、目標(biāo)跟蹤、生物視覺(jué)、超分辨率處理等二十多章內(nèi)容。

          下載2:Python視覺(jué)實(shí)戰(zhàn)項(xiàng)目52講
          小白學(xué)視覺(jué)公眾號(hào)后臺(tái)回復(fù):Python視覺(jué)實(shí)戰(zhàn)項(xiàng)目即可下載包括圖像分割、口罩檢測(cè)、車道線檢測(cè)、車輛計(jì)數(shù)、添加眼線、車牌識(shí)別、字符識(shí)別、情緒檢測(cè)、文本內(nèi)容提取、面部識(shí)別等31個(gè)視覺(jué)實(shí)戰(zhàn)項(xiàng)目,助力快速學(xué)校計(jì)算機(jī)視覺(jué)。

          下載3:OpenCV實(shí)戰(zhàn)項(xiàng)目20講
          小白學(xué)視覺(jué)公眾號(hào)后臺(tái)回復(fù):OpenCV實(shí)戰(zhàn)項(xiàng)目20講即可下載含有20個(gè)基于OpenCV實(shí)現(xiàn)20個(gè)實(shí)戰(zhàn)項(xiàng)目,實(shí)現(xiàn)OpenCV學(xué)習(xí)進(jìn)階。

          交流群


          歡迎加入公眾號(hào)讀者群一起和同行交流,目前有SLAM、三維視覺(jué)、傳感器自動(dòng)駕駛、計(jì)算攝影、檢測(cè)、分割、識(shí)別、醫(yī)學(xué)影像、GAN算法競(jìng)賽等微信群(以后會(huì)逐漸細(xì)分),請(qǐng)掃描下面微信號(hào)加群,備注:”昵稱+學(xué)校/公司+研究方向“,例如:”張三?+?上海交大?+?視覺(jué)SLAM“。請(qǐng)按照格式備注,否則不予通過(guò)。添加成功后會(huì)根據(jù)研究方向邀請(qǐng)進(jìn)入相關(guān)微信群。請(qǐng)勿在群內(nèi)發(fā)送廣告,否則會(huì)請(qǐng)出群,謝謝理解~


          瀏覽 83
          點(diǎn)贊
          評(píng)論
          收藏
          分享

          手機(jī)掃一掃分享

          分享
          舉報(bào)
          評(píng)論
          圖片
          表情
          推薦
          點(diǎn)贊
          評(píng)論
          收藏
          分享

          手機(jī)掃一掃分享

          分享
          舉報(bào)
          <kbd id="afajh"><form id="afajh"></form></kbd>
          <strong id="afajh"><dl id="afajh"></dl></strong>
            <del id="afajh"><form id="afajh"></form></del>
                1. <th id="afajh"><progress id="afajh"></progress></th>
                  <b id="afajh"><abbr id="afajh"></abbr></b>
                  <th id="afajh"><progress id="afajh"></progress></th>
                  一级A片亲子乱乱纪 | 亚洲AV日韩AV永久无码网站 | 91探花国产视频 | 日韩一区二区免费看 | 日韩无码一卡二卡三卡 |