首页 > 其他分享 >01-regression

01-regression

时间:2024-06-03 18:01:00浏览次数:24  
标签:Function 01 函数 Sigmoid 蓝色 参数 regression Linear

deep learning

01-regression

(1)Machine Learning

让机器具备一个找函式的能力

different types of function

预测-regression:要找的函式,他输出的是一个数值  
分类-classfication:函式的输出,从设定好的选项里面选择当一个当作输出  
创造-structured learning:机器学会创造,产生有结构的东西  
超参数:学习率 batch的大小 模型的层数  一些比较重要的概念和名词需要多看多想多理解多记忆

(2) eg(找到函数3个步骤):

写model->输入参数个数计算loss->找到能让loss最小的参数

1.Function with Unknown Parameters(写出一个带有未知参数的函式)⇒Model

2. Define Loss from Training Data

y和lable

3. Optimization(优化)
 找到能让损失函数最小的参数

补充:选->算对loss的微分->改参数值

(3)Liner model

 //线性模型  根据周期性,修改模型->考虑前7天,甚至更多天的值

⭐(4)Piecewise Linear Curves

 //(Sigmoid函数的意义)
1.模型定义

 // 定义:由多段锯齿状的线段所组成的线
 ⇒ 可以看作是一个常数,再加上一堆蓝色的 Function(Hard Sigmoid)

  • 用一条曲线来近似描述这条蓝色的曲线:Sigmoid函数(S型的function)
  • 【事实上,sigmoid的个数就是神经网络中的一层的neuron节点数(使用几个sigmoid是超参数)】

y=b+\sum_isigmoid(b_i+w_ix_i)

1. 可以用 Piecewise Linear 的 Curves,去逼近任何的连续的曲线  

2. 每一个 Piecewise Linear 的 Curves,都可以用一大堆蓝色的 Function加上一个常量组合起来得到  

3. 只要有足够的蓝色 Function把它加起来,就可以变成任何连续的曲线

(5)Sigmoid函数

y = c\frac{1}{​{1+e^{-(b+wx_1)}}}

x1 的值,趋近於正无穷大的⇒收敛在高度是 c 的地方
​​​​​​​x1 负的非常大的,分母的地方就会非常大⇒ y 的值趋近於 0.

调整 w,b,c ,可以得到各种不同的sigmiod来逼近”蓝色function“,通过求和,最终近似各种不同的 Continuous 的 Function

- 如果你今天改w你就会改变斜率你就会改变斜坡的坡度  
- 如果你动了b你就可以把这一个 Sigmoid Function 左右移动  
- 如果你改  $c$你就可以改变它的高度  ​  
//总结:利用若干个具有不同 w,b,c的Sigmoid函数与一个常数参数的组合,可模拟任何一个连续曲线(非线性函数)
扩展到多个特征:

y=b+\sum_isigmoid(b_i+\sum_j(w_{ij}x_j))

- j等於1 2 3,输入中x1代表前一天的观看人数,x2 两天前观看人数,x3 三天前的观看人数  
- 每一个i就代表了一个蓝色的 Function,现在每一个蓝色的 Function,都用一个 Sigmoid Function 来近似它  
- $w_{ij}$第i个sigmoid给第j个特征的权重
转化为矩阵计算+激活函数形式:

2. 写出loss函数

因为所有的参数统称为 \theta,所以Loss表示为 L(\theta)

设定的方式没有不同。

3. 优化过程
 仍然是梯度下降。
 (1) 选定初始参数值(向量)$\theta_0
 (2)对每个参数求偏导/微分(即,求梯度向量)
 (3)更新参数,直至设定的次数

(6)Batch training

 批训练->batch training
 每次更新参数时,只使用1个batch里的数据计算Loss,求取梯度,更新参数
 > batch大小也是超参数

(7)ReLU

 模型变型⇒relu
 (Rectified Linear Unit,线性整流单元)
 把两个 ReLU 叠起来,就可以变成 Hard 的 Sigmoid。

(8)Activation Function

 激活函数

正式引入:DeepLearning

标签:Function,01,函数,Sigmoid,蓝色,参数,regression,Linear
From: https://blog.csdn.net/m0_69367351/article/details/139411222

相关文章

  • redis - [01] 概述
    题记部分 一、什么是redis  是一个由SalvastoreSanfilippo使用ANSIC语言编写的key-value存储系统,遵守BSD协议、支持网络、可基于内存、分布式、可选持久性的跨平台的非关系型数据库,并提供多种语言的API。Redis通常被称为数据结构服务器,因为值可以是字符串、哈希、列表、......
  • CSP历年复赛题-P1982 [NOIP2013 普及组] 小朋友的数字
    原题链接:https://www.luogu.com.cn/problem/P1982题意解读:特征值:第i个同学的特征值是1~i中最大子段和,分数:第i个同学分数是前1~i-1个同学的分数+特征值最大值,求最大分数。解题思路:第一步:先计算特征值f[i],f[i]等于1~i中所有数的最大子段和,所以借助最大子段和的DP方法,每次计算以i......
  • 脑部磁共振成像肿瘤分割方法(MATLAB 2018)
    近年脑肿瘤发病率呈上升趋势,约占全身肿瘤的5%,占儿童肿瘤的70%。CT、MRI等多种影像检查方法可用于检测脑肿瘤,其中MRI应用于脑肿瘤成像效果最佳。精准的脑肿瘤分割是病情诊断、手术规划及后期治疗的必备条件,既往研究者对脑部肿瘤分割算法进行了深入研究,并取得了很多成果。然而脑......
  • MVC2.0项目部署在IIS Winserver2012
    1、MVC1.0升级2.0初始项目为MVC1.0,用VS2010开发环境直接将项目升级为2.0参考地址:https://www.cnblogs.com/myshell/archive/2010/05/08/1730348.html用的第三种方式进行项目升级2、项目发布,直接重新生成项目,Bin文件夹下需要复制system.web.dllbin文件下不要复制系统文件,否则......
  • 西屋1C31164G01
    抗干扰导航定位板卡Septentrio高精度卫星定位定向2024-04-0908:28安徽一、抗干扰导航定位板卡的介绍抗干扰导航定位板卡是一种能够有效应对外部干扰的定位设备,它可以在复杂的环境中提供精准的导航和定位服务。这种板卡能够通过内部的技术,在信号受到干扰时依然保持稳定并提......
  • 代码随想录算法训练营第二十二天 | 235.二叉搜索树的最近公共祖先 701.二叉搜索树中的
    235.二叉搜索树的最近公共祖先题目链接文章讲解视频讲解思路:递归遍历二叉搜索树   如果当前值大于p和q的值,向左遍历   如果当前值小于p和q的值,向右遍历   否则说明当前值介于p和q之间,直接返回当前节点classSolution{public:TreeNode*lowestCommonAnc......
  • AI预测体彩排3采取888=3策略+和值012路一缩定乾坤测试6月3日预测第10弹
        昨天的第二套方案已命中!今天继续基于888=3的大底进行测试,今天继续测试,好了,直接上结果吧~    首先,888定位如下:    百位:6,4,7,8,2,9,1,0    十位:2,3,4,1,6,7,8,9    个位:3,4,5,6,7,0,8,9    方案一:    一次缩......
  • AI预测福彩3D采取888=3策略+和值012路一缩定乾坤测试6月3日预测第10弹
             昨天的第二套方案再次成功命中!今天继续基于888=3的大底,使用尽可能少的条件进行缩号。好了,直接上结果吧~     首先,888定位如下:    百位:7,6,8,5,9,2,1,0    十位:6,7,8,5,9,2,1,0    个位:2,3,1,4,6,7,8,9    ......
  • 第01章— 开篇词:cesium专栏简介和阅读建议
    引言Cesium.js作为一个强大且日益重要的地理空间信息可视化工具,其应用领域广泛却学习资料相对分散。我希望能够通过系统化、实战导向的教程,降低初学者的入门门槛,帮助读者快速掌握核心技能,同时为进阶开发者提供深层次的技术解析与优化策略。Cesium可以做什么?CesiumJs是一......
  • maven - [01] 概述
    Maven—— 项目管理及自动构建工具 一、maven是什么  Maven是一个由Apache软件基金会提供的项目管理及自动构建工具,主要用于Java编程。它基于项目对象模型(POM)的概念,通过中央信息片段来管理项目的构建、报告和文档等步骤。Maven的核心功能包括合理叙述项目间的依赖关系,......