最新 最热

【深度学习实验】前馈神经网络(五):自定义线性模型:前向传播、反向传播算法(封装参数)

前馈神经网络的优点包括能够处理复杂的非线性关系,适用于各种问题类型,并且能够通过训练来自动学习特征表示。然而,它也存在一些挑战,如容易过拟合、对大规模数据和高维数据的处理较困难等。为了应对这些挑战,一些改进的网...

2024-07-30
1

【深度学习实验】前馈神经网络(四):自定义逻辑回归模型:前向传播、反向传播算法

前馈神经网络的优点包括能够处理复杂的非线性关系,适用于各种问题类型,并且能够通过训练来自动学习特征表示。然而,它也存在一些挑战,如容易过拟合、对大规模数据和高维数据的处理较困难等。为了应对这些挑战,一些改进的网...

2024-07-30
1

【深度学习实验】前馈神经网络(三):自定义两层前馈神经网络(激活函数logistic、线性层算子Linear)

前馈神经网络的优点包括能够处理复杂的非线性关系,适用于各种问题类型,并且能够通过训练来自动学习特征表示。然而,它也存在一些挑战,如容易过拟合、对大规模数据和高维数据的处理较困难等。为了应对这些挑战,一些改进的网...

2024-07-30
1

【生物信息学】奇异值分解(SVD)

SVD分解核心思想是通过降低矩阵的秩来提取出最重要的信息,实现数据的降维和去噪。

2024-07-30
1

【深度学习实验】前馈神经网络(二):使用PyTorch实现不同激活函数(logistic、tanh、relu、leaky_relu)

前馈神经网络的优点包括能够处理复杂的非线性关系,适用于各种问题类型,并且能够通过训练来自动学习特征表示。然而,它也存在一些挑战,如容易过拟合、对大规模数据和高维数据的处理较困难等。为了应对这些挑战,一些改进的网...

2024-07-30
2

【深度学习实验】前馈神经网络(一):使用PyTorch构建神经网络的基本步骤

本实验使用了PyTorch库来构建和操作神经网络模型,主要是关于线性层(Linear Layer)的使用。

2024-07-30
2

【数字信号处理】(二)第1章、离散时间信号与系统(连续时间信号的采样—奈奎斯特采样定理、离散时间系统的时域分析、常系数线性差分方程)

在理想采样中,脉冲函数的宽度应为零,幅度应为无限大,且采样序列间的间隔也应为零。这使得采样后的离散时间信号不受采样过程的影响,并且能够完全重建原始的连续时间信号。...

2024-07-30
1

【2022】人工智能——Wumpus世界(py3.7: pygame实现)

带着金子爬出洞口+1000;掉入无底洞或被Wumpus吃掉-1000;采取一个行动-1;用掉箭-10;Agent死亡或Agent出洞,游戏结束。

2024-07-30
1

【数字信号处理】(一)第1章、离散时间信号与系统(离散时间信号的典型序列、序列的运算、周期性、能量,用单位抽样序列来表示任意序列)

以定期间隔重复出现的矩形脉冲序列,脉冲的幅值为1,持续时间为一定周期内的一部分​​​​​​​

2024-07-30
1

【深度学习实验】线性模型(三):使用Pytorch实现简单线性模型:搭建、构造损失函数、计算损失值

线性模型的优点包括简单、易于解释和计算效率高。它们在许多实际问题中都有广泛的应用。然而,线性模型也有一些限制,例如对非线性关系的建模能力较弱。在处理复杂的问题时,可以通过引入非线性特征转换或使用核函数进行扩...

2024-07-29
2