政安晨：示例演绎机器学习中（深度学习）神经网络的数学基础——快速理解核心概念（一）{两篇文章讲清楚}

已于 2024-03-29 17:21:14 修改
阅读量1.9k 收藏 28
点赞数 46
CC 4.0 BY-SA版权
分类专栏： TensorFlow与Keras机器学习实战 文章标签： 神经网络 人工智能 深度学习 Python 数学基础 机器学习 Conda
于 2024-02-10 14:11:32 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/snowdenkeke/article/details/136089968

目录

导入目标

标量（0阶张量）

向量（1阶张量）

矩阵（2阶张量）

3阶张量与更高阶的张量

关键属性

在NumPy中操作张量

数据批量

现实世界中的数据张量实例

向量数据

时间序列数据或序列数据

图像数据

视频数据

政安晨的个人主页：政安晨

欢迎 👍点赞✍评论⭐收藏

收录专栏: TensorFlow与Keras机器学习实战

希望政安晨的博客能够对您有所裨益，如有不足之处，欢迎在评论区提出指正！

进入人工智能领域免不了与算法打交道，算法依托数学基础，很多小伙伴可能新生畏惧，不用怕，算法没那么难，也没那么玄乎，未来人工智能时代说不得人人都要了解算法、应用算法。

本文试图以一篇文章，用程序演绎的方式给大家把这里面的数学基础先讲清楚，以便于咱们未来深入，呵呵。

了解本专栏 订阅专栏 解锁全文 超级会员免费看
政安晨：示例演绎机器学习中（深度学习）神经网络的数学基础——快速理解核心概念（二）{两篇文章讲清楚}
政安晨——致力于AI人工智能数字互动领域
02-10 1860
如果把人工智能领域比作星辰大海，那么机器学习就是渡海之舟，而神经网络就是这舟中的机器， 咱们这篇文章要介绍的张量运算，就是这架机器中的齿轮！这是基础的基础，也是核心的核心！ 计算机程序最终都可以简化为对二进制输入的一些二进制运算（AND、OR、NOR等），与此类似，深度神经网络学到的所有变换也都可以简化为对数值数据张量的一些张量运算（tensor operation）或张量函数（tensor function），如张量加法、张量乘法等。
政安晨：专栏目录【TensorFlow与Keras】【机器学习/深度学习/神经网络/实例实战】
政安晨——致力于AI人工智能数字互动领域
03-25 2345
本文篇是作者政安晨的专栏《TensorFlow与Keras实战演绎机器学习》的总纲，专栏文章不断更新，这篇总纲也会随着专栏不断更新。 TensorFlow给自己的定位是端到端机器学习平台，是一个开源的机器学习框架，用于构建和训练各种机器学习模型。 Keras给自己的定位是一个用 Python 编写的高级神经网络 API，是一个开源的高级神经网络库，用于构建和训练深度学习模型。
《Python深度学习》读书笔记（三）
RedValkyrie的博客
03-25 704
2.2 神经网络的数据表示 2.2.1 常用的数据切片 神经网络中最常用数据切片，比如在卷积神经网络时我们会用到滑动窗口进行目标检测，截取图片部分区域： 以MNIST数据集为例，假如此时已经将图片数据导入成功： 1. 截取图片右下角区域图片： my_slice = train_images[:, 14:, 14:] print(my_slice.shape) 输出结果： # 此时输出的图片是原...
政安晨：梯度与导数～示例演绎《机器学习·神经网络》的高阶理解
政安晨——致力于AI人工智能数字互动领域
02-11 1761
在机器学习中，神经网络是一种常用的模型，用于解决各种问题，如图像识别、自然语言处理等。神经网络通过一系列的神经元（也称为节点）组成的层次结构来模拟人脑的神经系统。 神经网络的训练过程可以看作是一个优化问题，目标是找到最优的参数来最小化损失函数。为了实现这个目标，梯度和导数是非常重要的概念。 梯度是损失函数对于参数的导数。在神经网络中，我们使用梯度来更新参数，以使损失函数最小化。通过计算损失函数对于每个参数的梯度，我们可以确定应该如何调整参数的值，以逐渐减少损失。 导数是函数在某一点的斜率或变化率。在神
政安晨：【完全零基础】认知人工智能（一）【超级简单】的【机器学习神经网络】 —— 预测机
政安晨——致力于AI人工智能数字互动领域
02-18 1640
很多小伙伴们很想亲近人工智能与机器学习领域，然而这个领域里的核心理论、算法、工具给人感觉都太过“高冷”，让很多小伙伴们望而却步，导致一直无法入门。 如何捅破这层窗户纸？ 让高冷的不再高冷，让神秘的不再神秘！ 不要怕它，伙计们，咱们以这个小系列文章零基础入门。
政安晨——基于Anaconda安装TensorFlow并尝试一个神经网络小实例
政安晨——致力于AI人工智能数字互动领域
01-27 2877
如果想要在深度学习的过程中马上动手尝试点什么，比较好的方案是把环境配置起来后，上手跑一把程序，现在让我们开始吧。
政安晨：【深度学习神经网络基础】（五）—— 霍普菲尔德神经网络和玻尔兹曼机
政安晨——致力于AI人工智能数字互动领域
04-10 2683
这两种经典神经网络虽然都没有在现代AI应用程序中广泛使用，但两者都是现代算法的基础。 玻尔兹曼机构成了深度信念神经网络（Deep Belief Neural Network，DBNN）的基础，它是深度学习的基本算法之一。 霍普菲尔德神经网络是一种非常简单的神经网络，它具备许多特性，这些特性也是更复杂的前馈神经网络所具有的。 玻尔兹曼机是一种神经网络架构，它与霍普菲尔德神经网络有许多共同的特征。但是，与霍普菲尔德神经网络不同，你可以利用玻尔兹曼机堆叠深度信念神经网络。
政安晨的深度学习笔记——缘起
政安晨——致力于AI人工智能数字互动领域
01-21 1154
深度学习（Deep Learning，DL）——近几年来被推至互联网风口的人工智能（Artificial Intelligence，AI）前沿技术。深度学习是机器学习（Machine Learning，ML）的一个分支和延伸，是人工智能领域的前沿技术。人工智能包含机器学习，而机器学习又包含深度学习。AI给出人工智能的定义为：“人工智能是一种使机器能够像人一样思考、学习、理解、推理和解决问题的技术。
政安晨：【完全零基础】认知人工智能（四）【超级简单】的【机器学习神经网络】—— 权重矩阵
政安晨——致力于AI人工智能数字互动领域
02-19 1558
在人工智能神经网络中，矩阵乘法是神经网络中非常重要的操作之一。 1. 在前向传播过程中，输入与权重矩阵相乘，并经过激活函数，得到神经网络的输出。 2. 在神经网络中，我们也需要通过反向传播算法来调整权重矩阵，使得网络的输出与目标输出尽可能接近。 矩阵乘法反向传播误差就是在反向传播过程中计算误差梯度的一种方法。具体而言，它使用了链式法则和矩阵乘法的运算规则。 梯度下降法是求解函数最小值的一种很好的办法，当函数非常复杂困难，并且不能轻易使用数学代数求解函数时，这种方法却发挥了很好的作用。
政安晨：【示例演绎机器学习】（一）—— 剖析神经网络：学习核心的Keras API
政安晨——致力于AI人工智能数字互动领域
02-21 1343
TensorFlow是业界领先的数值计算框架，它可以在CPU、GPU或TPU上运行。它既可以自动计算任意可微表达式的梯度，也可以分布到许多设备上，还可以将程序导出到各种外部运行环境，甚至是JavaScript运行时。Keras是用TensorFlow进行深度学习的标准API。我们将在本书中一直使用它。TensorFlow的关键对象包括张量、变量、张量运算和梯度带。Keras的核心类是Layer。
政安晨：【示例演绎机器学习】（二）—— 神经网络的二分类问题示例（影评分类）
政安晨——致力于AI人工智能数字互动领域
02-22 1309
在人工智能机器学习领域中，神经网络是一种模拟人类神经系统的算法模型。它由许多互相连接的人工神经元组成，可以用于分类和回归任务。 神经网络的分类是指将输入数据映射到不同的类别中。在训练过程中，神经网络通过调整连接权重和激活函数的参数，学习如何将输入数据映射到正确的类别。常见的神经网络分类模型包括多层感知机（MLP），卷积神经网络（CNN），循环神经网络（RNN）等。 神经网络的回归是指将输入数据映射到连续的数值或函数。
政安晨：【示例演绎机器学习】（四）—— 神经网络的标量回归问题示例 (价格预测)
政安晨——致力于AI人工智能数字互动领域
02-24 2743
咱们这个系列的前面几篇机器学习示例演绎的文章中，演绎的都是分类问题，其目标是预测输入数据点所对应的单一离散标签。 其实还有另一种常见的机器学习问题是回归（regression）问题，它预测的是一个连续值，而不是离散标签，比如根据气象数据预测明日气温，或者根据软件说明书预测完成软件项目所需时间。回归问题使用的损失函数与分类问题不同。回归常用的损失函数是均方误差（MSE）。同样，回归问题使用的评估指标也与分类问题不同。显然，精度的概念不再适用于回归问题。常用的回归指标是平均绝对误差（MAE）。
神经网络的核心组件解析：从理论到实践
最新发布
钢铁男儿
08-13 209
我们使用之前定义的类。神经网络虽然复杂，但其核心组件相对简单且功能明确。通过理解层、模型、损失函数与优化器这四个关键部分，我们可以快速构建和训练神经网络模型。PyTorch的nn工具箱为我们提供了丰富的现成类和函数，极大简化了开发流程。掌握这些核心概念和工具的使用，是深入学习深度学习的第一步。未来，随着对神经网络理解的加深，我们可以进一步探索更复杂的模型结构、优化策略和损失函数设计，从而应对更复杂的问题和数据集。
MIT成果登上Nature！液态神经网络YYDS
2501_92785035的博客
08-06 1159
受扰动神经网络势（PNNP）：提出了一种新的分子动力学模拟方法，通过将总原子力表示为标准神经网络势（代表未扰动势能面）和由电场诱导的扰动（通过原子极化张量表示）的和来实现。紧凑网络结构：提出了紧凑的神经回路策略（NCP），仅用19个控制神经元和253个突触连接，实现了从高维输入到转向命令的映射，显著优于现有的大规模黑盒学习系统。计算效率：与传统的深度学习模型相比，NCP在保持高性能的同时，显著降低了模型的复杂度和计算成本。
深度学习——03 神经网络（2）-损失函数
念头通达
08-13 635
概述、多分类任务损失函数、二分类任务损失函数、回归任务损失函数（MAE、MSE、smooth L1）
【DL】浅层神经网络
m0_72572822的博客
08-12 470
本文介绍了机器学习中的线性回归模型和神经网络基本原理。在回归分析中，使用均方误差（MSE）和平均绝对误差（MAE）作为评估指标，通过优化器（如SGD）不断优化目标函数。神经网络通过多层节点和权重连接模拟人脑功能，利用反向传播算法调整参数，并使用激活函数（如ReLU）实现非线性转换。在多分类问题中，采用Softmax回归输出类别概率，交叉熵作为损失函数来衡量预测准确性。文章还阐述了熵、相对熵和交叉熵在评估概率分布差异中的应用。
HarvardX TinyML小笔记1（番外2：神经网络）
fanged的专栏
08-09 161
本文介绍了神经网络的基本概念和实际应用，通过哈佛TinyML课程展示了单层和双层神经网络的实现。文章详细解释了权重(w)和偏置(b)的作用，并比较了两种网络结构的性能差异。代码示例使用TensorFlow和Keras构建神经网络模型，训练后预测结果接近真实值18.999998。最后讨论了如何根据任务复杂度选择网络层数和神经元数量，提供了调试技巧：欠拟合时增加复杂度，过拟合时减少或加入正则化。全文以实践为导向，帮助初学者理解神经网络的应用层面。
深度学习——03 神经网络（3）-网络优化方法
念头通达
08-13 723
梯度下降算法回顾、训练流程的几个概念（Epoch轮次、Batch Size批次大小、Iteration迭代）、梯度下降的 3 种实现方式、前向传播（计算预测值与损失）与反向传播（计算梯度并更新权重）、梯度下降的优化方法（指数加权平均、动量优化算法Momentum、AdaGrad算法、RMSProp算法、Adam算法）、学习率衰减算法（等间隔学习率衰减、指定间隔学习率衰减、按指数学习率衰减）
深度学习流体力学：基于PyTorch的物理信息神经网络(PINN)完整实现
源代码杀手的博客
08-13 46
本文介绍了基于物理信息神经网络(PINN)的深度学习流体力学求解器实现。首先阐述了Navier-Stokes方程的理论基础，包括连续性方程和动量守恒方程，并解释了PINN的核心原理：将物理方程作为约束条件嵌入神经网络损失函数。以经典的lid-driven cavity流动为例，详细展示了使用PyTorch实现的全流程，包括神经网络架构设计、自动微分求解Navier-Stokes方程、多约束条件优化训练等关键环节。该求解器通过将物理方程、边界条件和初始条件整合到损失函数中，实现了对流体力学问题的端到端求解，为
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

政安晨

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值