怎么查看vps网站服务器时间,网络外包服务公司,wordpress图下一篇,wordpress 色机器学习就是让机器找一个函数f#xff0c;这个函数f是通过计算机找出来的
如果参数少的话#xff0c;我们可以使用暴搜#xff0c;但是如果参数特别多的话#xff0c;我们就要使用Gradient Descent
Regression (输出的是一个scalar数值)
Classification #xff08;在…机器学习就是让机器找一个函数f这个函数f是通过计算机找出来的
如果参数少的话我们可以使用暴搜但是如果参数特别多的话我们就要使用Gradient Descent
Regression (输出的是一个scalar数值)
Classification 在设定好的选项两个或者多个中做出选择
Structured Learning 画一张图写一段文字让机器学会创造
机器人寻找一个函数式子有三个步骤
一function with unknow parameters
我们需要基于domain knowledge 来猜测确定一个函式这个函数就是model
feature x 是我们已经知道的数据 weight w、 bias b 是未知的参数 label 是一个正确的数值
hyper parameters是我们在机器学习的时候我们自己设置的参数
y b wx
二Difine Loss
本质上也是一个function 输入是上面b和w输出的值代表输入的b和w好还是不好
label是真实的数据
我们根据y b wx来预测数据和label之间的差距取一个绝对值
然后吧每一组数据都计算y^ 然后加总求一下平均值 e |y - y^| 如果用这种方式来计算的话 L is mean absolute err (MAE) 具体用哪一种函数来衡量这一组参数的好坏取决于对问题的本质的理解
Error Surface 是等高线图是尝试了多个w和b之后的结果
三Optimization
是找一个最好的w和b叫做w*和b* 用到的方法是Gradient Descent 假设现在只有一个参数 假设现在有两个参数和之前一个参数其实一样的 上面三个步骤是在做机器学习的训练
我们之后还需要做预测
训练的数据和预测的数据做一个对比发现后者的loss比前者的loss大这说明我们在预测已经存在的数据的效果比较好但是预测未知的数据效果比较差
我们需要修改模型对模型的修改往往来自于对问题本质的理解我们修改了模型让分别考虑前七天前28天前56天等等 model bias
上面的所有模型都是Linear model 也许Linear模型过于简单我们可以修改w修改b但是模型始终都是一条直线我们始终无法实现红色的这种模型 Linear models本质是一条线性直线但是很多问题不是Linear modelsLinear models 有很大的限制来自于model的限制叫做model bias
piecewise Linear Curves
我们可能是想要piecewise Linear Curves 分段线性曲线一种由多个线性部分组成的曲线每个部分都是线性的但整体上可能不是线性的我们其实可以通过下面的方式达到这种效果我们可以是所有一系列 下面蓝色的function 再也许piecewise Linear 也无法满足我们模型的需求了我们想要的是曲线如下图所示 piecewise Linear Curves 足够多可以逼近曲线此时所有的 piecewise Linear 虽然是直线但是已经达到了曲线的效果
那这个蓝色的function Hard Sigmod是什么呢 如何把蓝色的function写出来呢
其实就是用sigmoid函数来逼近蓝色的function 我们需要各种各样的蓝色的function那我们可以通过调整b和w来实现 所以我们需要一个红色的function就可以通过下面的方式来实现同时我们既然实现了红色的function我们可以实现和红色类似的曲线Continuous 所以我们解决了model bias的问题 如何计算这个式子呢 用线性代数的表示方式表示如下
输出w1⋅x1w2⋅x2…w8⋅x8偏置项 最后总的表示一下 这里面除了x是feature其他都是未知的参数我们使用线性代数的方式来统一表示 模型定义解决了接下来是第二步定义Loss function跟之前是一模一样的 第三部optimization 也是一模一样 Batch 、 Epoch
我们在之前计算loss的时候是把所有的data都参与进去但是现在的话我们是把data分成 L 笔每一笔就是一个batch 每个batch都计算loss每次根据计算出来的loss然后对当前参数进行微分一直把所有的batch完成这就是一个epoch一个epoch中会update N / B L次参数 我们刚才是使用sigmoid函数来模拟蓝色的function hard sigmoid 多个hard sigmoid 叠加 从而实现红色的function
但是 这个蓝色的function 也可以不用sigmoid函数模拟我们可以使用 两个Rectified Linear来实现蓝色的function Activation Function Relu和sigmoid
ReLU和sigmoid那个好呢 后续会讲解
我们使用1000个Relu函数之后就可以实现很复杂的函数效果会有改善
Deep Learning
深度学习我们计算出来的a我们再把a重新放入函数中再计算很多次 Overfitting
Better on training data worse on unseen data 作业一的模型
self.layers nn.Sequential(# 这个地方函数都是有参数的 只是没有写出来# y[0] weight[0][0] * x[0] weight[0][1] * x[1] ... weight[0][input_dim - 1] * x[input_dim - 1] bias[0]# y[1] weight[1][0] * x[0] weight[1][1] * x[1] ... weight[1][input_dim - 1] * x[input_dim - 1] bias[1]# ...# y[15] weight[15][0] * x[0] weight[15][1] * x[1] ... weight[15][input_dim - 1] * x[input_dim - 1] bias[15]# 类似于视频中YouTube观看人数预测如果考虑七天input_dim就是7如果考虑28天input_dim就是28nn.Linear(input_dim, 16), # 这个是一个线性层# 对于每个输出维度y[i]其中 i是从0到15的索引ReLU激活函数将执行以下操作# y[i] max(0, y[i])nn.ReLU(), # 激活函数我们可以对上面的结果进行Relu操作nn.Linear(16, 8),nn.ReLU(),# 具体地线性映射通过一个权重矩阵和一个偏置项来实现将每个输入维度与相应的权重相乘然后将结果相加再加上偏置项。nn.Linear(8, 1) # 因为我们最终是要预测一个数字结果所以这个地方要是一维的# 视频上面预测Youtube人数就是nn.Linear(3,1)视频上面直接就是输出的一维结果)
nn.Linear(input_dim, 16)为什么要输出16维度的结果
input_dim就对应视频中的考虑7天28天56天等等
16 代表输出的是一个16维度的结果 这个就是我们自己设置了
Linear 里面有很多的weight参数和一个bias参数这些我们看不到但是pytroch帮我们做好了机器学习就是在找这些参数。 chatgpt回复是的你可以将模型中的16更改为32以增加隐藏层的维度。这将增加模型的复杂性并有可能提高其性能尤其是在处理更复杂的数据或任务时。但请注意增加隐藏层维度也会增加模型的计算复杂度因此你可能需要更多的数据来训练模型以避免过拟合。 你可以像这样更改模型的隐藏层维度 self.layers nn.Sequential( nn.Linear(input_dim, 32), # 将16更改为32 nn.ReLU(), nn.Linear(32, 8), # 这里也需要相应地更改输入和输出维度 nn.ReLU(),nn.Linear(8, 1)) 记得根据你的数据和任务来调整模型的参数以获得最佳性能。如果你的数据集较小你还可以考虑使用正则化技巧来防止过拟合。 隐藏层的维度通常是根据你的具体问题和数据来确定的而不是一个固定的数值。选择隐藏层维度通常是深度学习模型设计中的一个超参数需要进行调优。 Relu函数起到了什么作用
后面就一个ReLU函数引入非线性这一个Relu函数能作用于Linear的多个输出对每个维度的输出都做sigmoid也就是说每个维度上面都会进行非线形的操作。 nn.Linear(16, 8) 和 nn.ReLU()的作用?
深度学习deep learning 能让效果变好为什么不要问反正能变好
nn.Linear(8, 1) 的作用
我们最后是要输出一个发病率数字所以需要把最后的多个维度的输入变成一个维度的输出
