开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

神经网络可以只用一类训练数据来训练吗？

神经网络可以只用一类训练数据来训练，但这样的训练可能会导致模型的过拟合。过拟合是指模型在训练数据上表现良好，但在未见过的数据上表现较差的情况。

使用多类训练数据可以帮助神经网络更好地泛化，即在未见过的数据上表现良好。多类训练数据可以包含不同的特征和样本，有助于模型学习更广泛的模式和规律。

对于神经网络的训练，通常会将数据集分为训练集、验证集和测试集。训练集用于模型的参数更新，验证集用于调整模型的超参数和监控模型的性能，测试集用于评估模型的最终性能。

在实际应用中，如果只有一类训练数据，可以考虑使用数据增强技术来扩充数据集。数据增强可以通过对原始数据进行旋转、翻转、缩放等操作，生成更多样本，增加数据的多样性。

对于神经网络的训练，腾讯云提供了多个相关产品和服务，如腾讯云AI Lab、腾讯云机器学习平台等。这些产品和服务提供了丰富的工具和资源，帮助用户进行神经网络的训练和应用。

更多关于神经网络的信息和腾讯云相关产品介绍，您可以访问腾讯云官方网站的以下链接：

相关搜索:可以修改预先训练好的卷积神经网络的层吗？在训练神经网络时，TensorFlow可以接受外部Python函数吗？可以只用javascript来填写pdf表格吗？Google Datalab:我可以查询Google Cloud Datastore来训练模型的数据吗？你能训练TensorFlow来评估发音吗？有没有更好的结构来训练完全卷积神经网络？在scikit-learn中训练神经网络来计算“XOR”如何训练不同类型数据的神经网络？在训练神经网络中混洗批量数据神经网络中训练数据到数组的转换 MATLAB神经网络训练命令中的数据划分如何应用DataGenerator来训练和验证数据？如何训练神经网络来预测Tensorflow中的数字的SQRT？是否可以使用`sklearn`重新训练保存的神经网络？我们可以在Weka中使用刀切交叉验证来评估训练数据集吗？我需要在每次运行神经网络时训练它吗？使用经过R训练的神经网络来预测C++中的新数据如何将我的训练数据输入此神经网络基于神经网络的异或门训练数据生成方法重新训练TF对象检测API来检测特定的车型--如何准备训练数据？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

小孩都可以玩的神经网络

https://teachablemachine.withgoogle.com/#

04

73岁Hinton老爷子构思下一代神经网络：属于无监督对比学习

Geoffrey Hinton 是谷歌副总裁、工程研究员，也是 Vector Institute 的首席科学顾问、多伦多大学 Emeritus 荣誉教授。2018 年，他与 Yoshua Bengio、Yann LeCun 因对深度学习领域做出的巨大贡献而共同获得图灵奖。

01

如何利用全新的决策树集成级联结构gcForest做特征工程并打分？

摘要在这篇论文里，我们提出了 gcForest，这是一种决策树集成方法（decision tree ensemble approach），性能较之深度神经网络有很强的竞争力。深度神经网络需要花大力气调参，相比之下 gcForest 要容易训练得多。实际上，在几乎完全一样的超参数设置下，gcForest 在处理不同领域（domain）的不同数据时，也能达到极佳的性能。gcForest 的训练过程效率高且可扩展。在我们的实验中，它在一台 PC 上的训练时间和在 GPU 设施上跑的深度神经网络差不多，有鉴于 gcForest 天然适用于并行的部署，其效率高的优势就更为明显。此外，深度神经网络需要大规模的训练数据，而 gcForest 在仅有小规模训练数据的情况下也照常运转。不仅如此，作为一种基于树的方法，gcForest 在理论分析方面也应当比深度神经网络更加容易。级联森林（Cascade Forest）

01

Meta Learning 1: 基于度量的方法

普通的机器学习目前在学习具体任务的问题上可以达到很好的效果，比如车载场景的意图分类任务（导航，听音乐，查天气，打电话）。如果有足够的高质量的标注数据，可以训练出一个很强的分类模型。在实际项目中，意图的类别经常会随着需求的变动发生改变，比如在车载场景中新增了【设置日程】的意图。为了保持意图分类的准确率，理想状态下，我们需要新意图类别【设置日程】的大量标注数据来重新训练模型；然而现实情况是，获取大量的标注数据成本很高，当需求频繁变更时，这甚至可以说是不可能完成的任务。

04

AI算法分类

线性回归：进行直线或曲线拟合，一般使用“最小二乘法”来求解。最小二乘法将最优问题转化为求函数极值问题。函数极值在数学上我们一般会采用求导数为0的方法。但这种做法并不适合计算机，可能求解不出来，也可能计算量太大。计算机科学界专门有一个学科叫“数值计算”，专门用来提升计算机进行各类计算时的准确性和效率问题。

02

用一句话总结常用的机器学习算法

浓缩就是精华。想要把书写厚很容易，想要写薄却非常难。现在已经有这么多经典的机器学习算法，如果能抓住它们的核心本质，无论是对于理解还是对于记忆都有很大的帮助，还能让你更可能通过面试。在本文中，SIGAI将用一句话来总结每种典型的机器学习算法，帮你抓住问题的本质，强化理解和记忆。下面我们就开始了。

03

你不得不了解的8种神经网络结构!

机器学习已经在各个行业得到了大规模的广泛应用，并为提升业务流程的效率、提高生产率做出了极大的贡献。目前机器学习主要在以下方面应用：模式识别：实际场景中的目标、包括人脸、表情、语音识别等等；异常检测：例如信用卡交易的异常检测、传感器异常数据模式检测和异常行为检测等；预测问题：预测股票或者汇率、或者预测消费者喜欢的电影、音乐等。神经网络是一类机器学习算法和模型的统称，也是目前机器学习发展最快的一个领域。神经网络的架构主要分为三大类——前馈、循环和对称链接网络。神经网络具有如下三个特征使它成为了机器学习中

08

你不得不了解的8种神经网络结构!

中长文预警！文末附赠大量资源！切勿错过！机器学习已经在各个行业得到了大规模的广泛应用，并为提升业务流程的效率、提高生产率做出了极大的贡献。目前机器学习主要在以下方面应用：模式识别：实际场景中的目标、包括人脸、表情、语音识别等等；异常检测：例如信用卡交易的异常检测、传感器异常数据模式检测和异常行为检测等；预测问题：预测股票或者汇率、或者预测消费者喜欢的电影、音乐等。神经网络是一类机器学习算法和模型的统称，也是目前机器学习发展最快的一个领域。神经网络的架构主要分为三大类——前馈、循环和对称链接网络。

06

必须了解的8种神经网络架构

机器学习已经在各个行业得到了大规模的广泛应用，并为提升业务流程的效率、提高生产率做出了极大的贡献。目前机器学习主要在以下方面应用：模式识别：实际场景中的目标、包括人脸、表情、语音识别等等；异常检测：例如信用卡交易的异常检测、传感器异常数据模式检测和异常行为检测等；预测问题：预测股票或者汇率、或者预测消费者喜欢的电影、音乐等。神经网络是一类机器学习算法和模型的统称，也是目前机器学习发展最快的一个领域。神经网络的架构主要分为三大类——前馈、循环和对称链接网络。神经网络具有如下三个特征使它成为了机器学习

05

手势识别：使用标准2D摄像机建立一个强大的的手势识别系统

手势和语言一样，是人类交流的一种自然形式。事实上，它们可能是最自然的表达方式。进化研究表明，人类语言是从手势开始的，而不是声音。另一个证明就是婴儿在学会说话之前，使用手势来传达情感和欲望。许多科技公

07

用一句话总结常用的机器学习算法

浓缩就是精华。想要把书写厚很容易，想要写薄却非常难。现在已经有这么多经典的机器学习算法，如果能抓住它们的核心本质，无论是对于理解还是对于记忆都有很大的帮助，还能让你更可能通过面试。在本文中，SIGAI将用一句话来总结每种典型的机器学习算法，帮你抓住问题的本质，强化理解和记忆。下面我们就开始了。

09

必须了解的8种神经网络架构

机器学习已经在各个行业得到了大规模的广泛应用，并为提升业务流程的效率、提高生产率做出了极大的贡献。目前机器学习主要在以下方面应用：模式识别：实际场景中的目标、包括人脸、表情、语音识别等等；异常检测：例如信用卡交易的异常检测、传感器异常数据模式检测和异常行为检测等；预测问题：预测股票或者汇率、或者预测消费者喜欢的电影、音乐等。神经网络是一类机器学习算法和模型的统称，也是目前机器学习发展最快的一个领域。神经网络的架构主要分为三大类——前馈、循环和对称链接网络。神经网络具有如下三个特征使它成为了机器

05

机器学习-波澜壮阔40年

人工智能的再次兴起让机器学习（Machine Learning）这个名词进入了公众的视野，它成为当前解决很多人工智能问题的核心基石。

01

使用神经网络驱动的基于模型的强化学习

图1.经过学习的神经网络动态模型能使一个六足机器人学会遵循既定的轨迹运行，并且只需要17分钟的实际经验。

06

【全】一文带你了解自编码器（AutoEncoder）

有些同学在刚开始看论文的时候，经常会遇到编码器、解码器、自编码器（AutoEncoder）这些字眼，它们到底是干什么的呢？其主要作用又是什么呢？那么本篇主要带大家了解自编码器(AutoEncoder)。

03

2018 NLPCC Chinese Grammatical Error Correction 论文小结

这一段时间，笔者一直在研究语音识别后的文本纠错，而就在八月26-30日，CCF的自然语言处理和中文计算会议召开了，笔者也从师兄那里拿到了新鲜出炉的会议论文集，其中重点看的自然是其shared task2：grammatical error correction的overview以及优胜团队的论文。本文总结了优胜团队的论文并给出了一些可能的改进方向。

04

机器学习在自动驾驶方面的应用

概要：不同的自动驾驶算法。来源：雷锋网将汽车内外传感器的数据进行融合，借此评估驾驶员情况、进行驾驶场景分类，都要用到机器学习。本文中，我们讲解了不同的自动驾驶算法。自动驾驶汽车的设计制造面临着诸多挑战，如今，各大公司已经广泛采用机器学习寻找相应的解决方案。汽车中的ECU（电子控制单元）已经整合了传感器数据处理，如何充分利用机器学习完成新的任务，变得至关重要。潜在的应用包括将汽车内外传感器的数据进行融合，借此评估驾驶员情况、进行驾驶场景分类。这些传感器包括像激光雷达，雷达，摄像头或者是物联网。车载

04

深度学习基础知识（三）--- Normalization 规范化操作

知乎专栏 - 张俊林 - 深度学习中的Normalization模型 - https://zhuanlan.zhihu.com/p/43200897

01

机器学习算法在自动驾驶领域的应用大盘点！

AI 研习社按：本文原载于 kdnuggets，由林立宏、吴楚编译。将汽车内外传感器的数据进行融合，借此评估驾驶员情况、进行驾驶场景分类，都要用到机器学习。本文中，我们讲解了不同的自动驾驶算法。自动驾驶汽车的设计制造面临着诸多挑战，如今，各大公司已经广泛采用机器学习寻找相应的解决方案。汽车中的ECU（电子控制单元）已经整合了传感器数据处理，如何充分利用机器学习完成新的任务，变得至关重要。潜在的应用包括将汽车内外传感器的数据进行融合，借此评估驾驶员情况、进行驾驶场景分类。这些传感器包括像激光雷达，雷达，摄

07

机器学习算法地图

很多同学在学机器学习和深度学习的时候都有一个感受：所学的知识零散、不系统，缺乏整体感，这是普遍存在的一个问题。在这里，SIGAI对常用的机器学习和深度学习算法进行了总结，整理出它们之间的关系，以及每种算法的核心点，各种算法之间的比较。由此形成了一张算法地图，以帮助大家更好的理解和记忆这些算法。

03

4种普遍的机器学习分类算法

00

机器学习算法在自动驾驶领域的应用大盘点！

AI科技评论按：本文原载于 kdnuggets，由林立宏、吴楚编译。将汽车内外传感器的数据进行融合，借此评估驾驶员情况、进行驾驶场景分类，都要用到机器学习。本文中，我们讲解了不同的自动驾驶算法。自动驾驶汽车的设计制造面临着诸多挑战，如今，各大公司已经广泛采用机器学习寻找相应的解决方案。汽车中的ECU（电子控制单元）已经整合了传感器数据处理，如何充分利用机器学习完成新的任务，变得至关重要。潜在的应用包括将汽车内外传感器的数据进行融合，借此评估驾驶员情况、进行驾驶场景分类。这些传感器包括像激光雷达，雷达

05

机器学习｜深度学习认识

深度学习采用的模型一般比较复杂，指样本的原始输入到输出目标之间的数据流经过多个线性或非线性的组件。每个组件都对信息进行加工，并进而影响后续的组件。

01

深度学习效果不好？试试 Batch Normalization 吧！

Batch Normalization（简称BN）自从提出之后，因为效果特别好，很快被作为深度学习的标准工具应用在了各种场合。BN大法虽然好，但是也存在一些局限和问题，诸如当BatchSize太小时效果不佳、对RNN等动态网络无法有效应用BN等。针对BN的问题，最近两年又陆续有基于BN思想的很多改进Normalization模型被提出。BN是深度学习进展中里程碑式的工作之一，无论是希望深入了解深度学习，还是在实践中解决实际问题，BN及一系列改进Normalization工作都是绕不开的重要环节。

03

深度学习中的Normalization模型（附实例&公式）

[ 导读 ]不管是传统机器学习，还是当前火热的深度学习，Normalization技术都是能够提升算法性能的大杀器。本文以非常宏大和透彻的视角分析了深度学习中的多种Normalization模型，包括大家熟悉的Batch Normalization (BN)和可能不那么熟悉的Layer Normalization (LN)、Instance Normalization (IN) 及Group Normalization (GN)模型；用生动形象的例子阐述了这些Normalization模型之间的区别和联系；并在一个统一的数学框架下分析了它们的性质；最后从一个新的数学视角分析了BN算法为什么有效。

05

视频 | 硅谷深度学习网红传授超参数优化宝典

AI 研习社按：今天为大家带来硅谷深度学习网红 Siraj 在人工智能在线大会 AI WITH THE BEST（AIWTB）上的演讲，雷锋字幕组独家译制。本次演讲的主题为 Learning to Learn，主要讲解了深度神经网络中超参数优化的相关内容。视频后面我们还附带了对应的 Github 文档汉化版供读者参考，原地址见文末“阅读原文”。如今神经网络非常流行，许多问题都可以用神经网络解决，但是，找出最有效和最合适的神经网络却没那么容易。人们习惯于依靠自己的经验，尝试出最佳参数。这个过程需要付出高额的

05

理解生成模型与判别模型

我们都知道，对于有监督的机器学习中的分类问题，求解问题的算法可以分为生成模型与判别模型两种类型。但是，究竟什么是生成模型，什么是判别模型？不少书籍和技术文章对这对概念的解释是含糊的。在今天这篇文章中，我们将准确、清晰的解释这一组概念。

03

【CTR】DeepGBM：知识蒸馏技术在微软在线预测系统中的应用

今天学习的是微软 2019 年的工作《DeepGBM: A Deep Learning Framework Distilled by GBDT for Online Prediction Tasks》。从标题中我们可以看出，DeepGBM 是一个从 GBDT 提炼知识并用于在线预测任务的深度学习框架。

03

机器学习中的目标函数总结

几乎所有的机器学习算法最后都归结为求解最优化问题，以达到我们想让算法达到的目标。为了完成某一目标，需要构造出一个“目标函数”来，然后让该函数取极大值或极小值，从而得到机器学习算法的模型参数。如何构造出一个合理的目标函数，是建立机器学习算法的关键，一旦目标函数确定，接下来就是求解最优化问题，这在数学上一般有现成的方案。如果你对最优化算法感兴趣，可以阅读SIGAI之前的公众号文章“理解梯度下降法”，“理解牛顿法”，“理解凸优化”，“机器学习中的最优化算法总结”。本文的侧重点是对目标函数的构造进行总结。

01

AI技术说：人工智能相关概念与发展简史

作为近几年的一大热词，人工智能一直是科技圈不可忽视的一大风口。随着智能硬件的迭代，智能家居产品逐步走进千家万户，语音识别、图像识别等AI相关技术也经历了阶梯式发展。如何看待人工智能的本质？人工智能的飞速发展又经历了哪些历程？本文就从技术角度为大家介绍人工智能领域经常提到的几大概念与AI发展简史。一、人工智能相关概念 1、人工智能（Artifical Intelligence, AI)：就是让机器像人一样的智能、会思考, 是机器学习、深度学习在实践中的应用。人工智能更适合理解为一个产业，泛指生产更加智能的

06

从图嵌入算法到图神经网络

近几年来，伴随着计算机算力的急剧提升，神经网络从历史的尘埃中走出，横扫各大领域，完成一次次颠覆性的创新。依托高度弹性的参数结构，线性与非线性的矩阵变换，神经网络能适用于各式各样的数学场景，在各个类别的应用上我们都能看到神经网络的影子。其中著名的应用方向，包括自然语言处理、计算机视觉、机器学习、生物医疗、推荐系统、自动驾驶等等。图神经网络，广泛应用于社交关系、知识图谱、推荐系统、蛋白质分子建模，同样源自于对传统领域的创新，它的前身是图嵌入算法；而图嵌入算法又以图数据作为载体。这一关系，将贯穿本文始末，成为我们的展开线索。

03

他山之石 | OPPO 基于图神经网络的搜索推荐算法与实践

导读大家好，这里是 NewBeeNLP。今天我们分享图神经网络在推荐系统中的应用，以及在oppo业务场景中的实践。

02

【机器学习】机器学习算法基础知识

在我们了解了需要解决的机器学习问题的类型之后，我们可以开始考虑搜集来的数据的类型以及我们可以尝试的机器学习算法。在这个帖子里，我们会介绍一遍最流行的机器学习算法。通过浏览主要的算法来大致了解可以利用的方法是很有帮助的。可利用的算法非常之多。困难之处在于既有不同种类的方法，也有对这些方法的扩展。这导致很快就难以区分到底什么才是正统的算法。在这个帖子里，我希望给你两种方式来思考和区分在这个领域中你将会遇到的算法。第一种划分算法的方式是根据学习的方式，第二种则是基于形式和功能的相似性(就像把相似的动物归为一类

08

最基本的25道深度学习面试问题和答案

近年来，对深度学习的需求不断增长，其应用程序被应用于各个商业部门。各公司现在都在寻找能够利用深度学习和机器学习技术的专业人士。在本文中，将整理深度学习面试中最常被问到的25个问题和答案。如果你最近正在参加深度学习相关的面试工作，那么这些问题会对你有所帮助。

01

初识机器学习算法有哪些？

机器学习无疑是现在数据分析领域的一个重要内容，凡事从事IT工作领域的人都在平时的工作中或多或少的会用到机器学习的算法。机器学习有很多算法，不过大的方面可分为两类：一个是学习的方式，一个是算法的类似性。学习方式：根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域，有几种主要的学习方式。将算法按照学习方式分类是一个不错的想法，这样可以让人们在建模和算法选择的时候考虑能根据输入数据来选择最合适的算法来获得最好的结果。算法的主要学习方式

03

中科院自动化所副所长刘成林教授：模式识别，从初级感知到高级认知

感知（模式识别）是从传感数据判断模式的存在、类别，给出结构描述和关系描述的过程。目前以深度神经网络为主的模式识别方法只解决了初级感知（检测、分类）问题，属于高级感知层面的结构和关系理解已有一些研究进展但还没有解决，而结合知识进行模式识别和理解并把结果用于决策规划则属于高级认知的范畴，是未来要加强研究的方向。作者 | 杏花编辑 | 青暮今年10月12日，2021中国人工智能大会（CCAI 2021）在成都正式启幕，23位中外院士领衔，近百位学术技术精英共聚西南人工智能新高地，深入呈现人工智能学术研究，以

02

推荐系统常用算法介绍_基于内容推荐算法

原文链接：https://www.cnblogs.com/zhangyang520/p/10969951.html

03

【DL】一文读懂深度学习中的Normalization模型

我们先从 Mini-Batch SGD 的优化过程讲起，因为这是下一步理解 Batch Normalization 中 Batch 所代表具体含义的知识基础。

01

何时能懂你的心——图卷积神经网络（GCN）

深度学习一直都是被几大经典模型给统治着，如CNN、RNN等等，它们无论再CV还是NLP领域都取得了优异的效果，那这个GCN是怎么跑出来的？是因为我们发现了很多CNN、RNN无法解决或者效果不好的问题——图结构的数据。

03

专栏 | 深度学习中的Normalization模型

我们先从 Mini-Batch SGD 的优化过程讲起，因为这是下一步理解 Batch Normalization 中 Batch 所代表具体含义的知识基础。

02

学界 | 深度神经网络为什么不易过拟合？傅里叶分析发现固有频谱偏差

众所周知，过参数化的深度神经网络（DNN）是一类表达能力极强的函数，它们甚至可以以 100% 的训练准确率记住随机数据。这种现象就提出了一个问题：为什么它们不会轻易地过度拟合真实数据？为了回答这个问题，我们使用傅立叶分析研究了深度神经网络。我们证明了具有有限权重（或者经过有限步训练）的深度神经网络天然地偏向于在输入空间上表示光滑的函数。具体而言，深度 ReLU 网络函数的一个特定频率分量（k）的大小至少以 O（k^(-2)）的速率衰减，网络的宽度和深度分别以多项式和指数级别帮助网络对更高的频率建模。这就说明了为什么深度神经网络不能完全记住 delta 型的峰函数。我们的研究还表明深度神经网络可以利用低维数据流形的几何结构来用简单的函数逼近输入空间中存在于简单函数流形上的复杂函数。结果表明，被网络分类为属于某个类的所有样本（包括对抗性样本）都可以通过一条路径连接起来，这样沿着该路径上的网络预测结果就不会改变。最后，我们发现对应于高频分量的深度神经网络（DNN）参数在参数空间中所占的体积较小。

01

开发 | 模型表现不好怎么办？37条妙计助你扭转局势

AI 科技评论按：读论文，看别人的模型的时候仿佛一切都顺利成章，可是等到自己训练模型的时候，麻烦一个接一个…… AI 科技评论找到了一篇国外大神 Slav Ivanov 写的绝招文编译如下，给大家介绍37个好办法！你的神经网络已经跑了12个小时训练，看上去一切都很完美：梯度运转良好，损失也在降低。但是做预测的时候却一团糟：所有都是0，什么也监测不到。“我哪一步做错了呢？”你迷茫地问你的电脑，而电脑却笑而不语。如果你的模型输出来的都是辣鸡——例如你想预测所有输出的平均值，或者模型的精度很低——该从哪儿开始

06

【机器学习】机器学习的几种主要学习方法

根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方法。爱吧机器人网认为，将算法按照学习方法分类是一个不错的想法，这样可以让人们在建模和算法选择的时

05

【陆勤践行】机器学习的几种主要学习方法

根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方法。在机器学习领域，有几种主要的学习方法。将算法按照学习方法分类是一个不错的想法，这样可以让人们

09

机器学习算法：人工神经网络、深度学习

学习方式根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域，有几种主要的学习方式。将算法按照学习方式分类是一个不错的想法，这样

05

【陆勤阅读】机器学习算法基础知识

可利用的算法非常之多。困难之处在于既有不同种类的方法，也有对这些方法的扩展。这导致很快就难以区分到底什么才是正统的算法。在这个帖子里，我希望给你两种方式来思考和区分在这个领域中你将会遇到的算法。第一

07

机器学习算法基础知识

在我们了解了需要解决的机器学习问题的类型之后，我们可以开始考虑搜集来的数据的类型以及我们可以尝试的机器学习算法。在本文中，小编会介绍一遍最流行的机器学习算法。通过浏览主要的算法来大致了解可以利用的方法是很有帮助的。可利用的算法非常之多。困难之处在于既有不同种类的方法，也有对这些方法的扩展。这导致很快就难以区分到底什么才是正统的算法。在本文中，小编希望给你两种方式来思考和区分在这个领域中你将会遇到的算法。第一种划分算法的方式是根据学习的方式，第二种则是基于形式和功能的相似性(就像把相似的动物归为一类一

07

ChatGPT 使用到的机器学习技术

要聊ChatGPT用到的机器学习技术，我们不得不回顾一下机器学习技术的发展。因为，ChatGPT用到的技术不是完全从零的发明，它也是站在巨人的肩膀上发展起来的。

01

硬核！深度学习中的Normalization必知必会

在深度学习领域，往往需要处理复杂的任务场景，一般使用较深层数的模型进行网络设计，这就涉及到复杂困难的模型调参：学习率的设置，权重初始化的设置以及激活函数的设置等。

03

Pytorch_第七篇_深度学习 (DeepLearning) 基础 [3]---梯度下降

在上一篇“深度学习 (DeepLearning) 基础 [2]---神经网络常用的损失函数”中我们介绍了神经网络常用的损失函数。本文将继续学习深度学习的基础知识，主要涉及基于梯度下降的一类优化算法。首先介绍梯度下降法的主要思想，其次介绍批量梯度下降、随机梯度下降以及小批量梯度下降（mini-batch）的主要区别。

03

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭