DL之simpleNet:利用自定义的simpleNet(设好权重)对新样本进行预测、评估、输出梯度值
DL之simpleNet:利用自定义的simpleNet(设好权重)对新样本进行预测、评估、输出梯度值
导读
理解神经网络内部的数学机制
目录
输出结果
核心代码
输出结果
输出权重参数: [[-0.94465146 -1.22617291 0.89064915]
[-0.36625531 1.57482914 0.82170746]]
输出预测: [-0.89642065 0.68164248 1.27392621]
最大值的索引: 2
loss: 0.5111458955952319
求出梯度值:
[[ 0.04107652 0.19903878 -0.2401153 ]
[ 0.06161477 0.29855818 -0.36017295]]
核心代码
class simpleNet:def __init__(self):self.W = np.random.randn(2,3) #用高斯分布进行初始化def predict(self, x):return np.dot(x, self.W)def loss(self, x, t):z = self.predict(x)y = softmax(z)loss = cross_entropy_error(y, t)return lossnet = simpleNet()x = np.array([0.6, 0.9])
p = net.predict(x)t= np.array([0, 0, 1])
print('loss:',net.loss(x, t))f = lambda w: net.loss(x, t)dW = numerical_gradient(f, net.W)
print('求出梯度值:','\n',dW)
相关文章
DL之simpleNet:利用自定义的simpleNet(设好权重)对新样本进行预测、评估、输出梯度值
DL之simpleNet:利用自定义的simpleNet(设好权重)对新样本进行预测、评估、输出梯度值相关推荐
- DL之CNN:利用卷积神经网络算法(2→2,基于Keras的API-Functional)利用MNIST(手写数字图片识别)数据集实现多分类预测
DL之CNN:利用卷积神经网络算法(2→2,基于Keras的API-Functional)利用MNIST(手写数字图片识别)数据集实现多分类预测 目录 输出结果 设计思路 核心代码 输出结果 下边两张 ...
- DL之CNN:利用卷积神经网络算法(2→2,基于Keras的API-Sequential)利用MNIST(手写数字图片识别)数据集实现多分类预测
DL之CNN:利用卷积神经网络算法(2→2,基于Keras的API-Sequential)利用MNIST(手写数字图片识别)数据集实现多分类预测 目录 输出结果 设计思路 核心代码 输出结果 1.10 ...
- DL之CNN:利用自定义DeepConvNet【7+1】算法对mnist数据集训练实现手写数字识别、模型评估(99.4%)
DL之CNN:利用自定义DeepConvNet[7+1]算法对mnist数据集训练实现手写数字识别.模型评估(99.4%) 目录 输出结果 设计思路 核心代码 输出结果 设计思路 核心代码 netwo ...
- DL之CNN:利用自定义DeepConvNet【7+1】算法对mnist数据集训练实现手写数字识别并预测(超过99%)
DL之CNN:利用自定义DeepConvNet[7+1]算法对mnist数据集训练实现手写数字识别并预测(超过99%) 目录 输出结果 设计思路 核心代码 输出结果 准确度都在99%以上 1.出错记录 ...
- DL之CNN:自定义SimpleConvNet【3层,im2col优化】利用mnist数据集实现手写数字识别多分类训练来评估模型
DL之CNN:自定义SimpleConvNet[3层,im2col优化]利用mnist数据集实现手写数字识别多分类训练来评估模型 目录 输出结果 设计思路 核心代码 更多输出 输出结果 设计思路 核心 ...
- DL之DNN:自定义2层神经网络TwoLayerNet模型(封装为层级结构)利用MNIST数据集进行训练、预测
DL之DNN:自定义2层神经网络TwoLayerNet模型(封装为层级结构)利用MNIST数据集进行训练.预测 导读 计算图在神经网络算法中的作用.计算图的节点是由局部计算构成的. ...
- DL之DNN:自定义2层神经网络TwoLayerNet模型(封装为层级结构)利用MNIST数据集进行训练、GC对比
DL之DNN:自定义2层神经网络TwoLayerNet模型(封装为层级结构)利用MNIST数据集进行训练.GC对比 导读 神经网络算法封装为层级结构的作用.在神经网络算法中,通过将 ...
- DL之DNN:自定义2层神经网络TwoLayerNet模型(计算梯度两种方法)利用MNIST数据集进行训练、预测
DL之DNN:自定义2层神经网络TwoLayerNet模型(计算梯度两种方法)利用MNIST数据集进行训练.预测 导读 利用python的numpy计算库,进行自定义搭建2层神经网络TwoLayerN ...
- DL:LinearNN(numpy自定义的) solve XOR problem
DL:LinearNN(numpy自定义的) solve XOR problem 目录 输出结果 核心代码 LinearNN使用案例 输出结果 核心代码 #BP solve XOR Problem ...
最新文章
- linux efi启动,可启动USB Linux的EFI/ UEFI
- 什么是CUDA编程 统一计算架构
- 一次哔哩哔哩面试经历,真香!
- java中 8进制 10进制 2进制 16进制 相互转换
- 读取 wps_软件前世今生篇之WPS(求伯君1988年先于OFFICE研发出WPS)
- 锐捷多网卡解决方案 与当前环境冲突(Code 2)
- 【Flink】FLink Barrier 在流经算子 做 checkpoint 的时候,数据是停止的吗?
- 语义噪声 | 语义网:重新发明轮子,创新者的窘境
- 工程经济作业1答案_工程经济学1、2、3、4(作业1答案)
- [19保研]四川大学网络空间安全学院 关于举办2018年优秀大学生暑期夏令营的通知...
- bat学习(二)快速批量建立指定三级文件夹
- matlab定积分例子,利用Matlab进行不定积分运算示例巧妙至极.doc
- 镜头(焦距,CRA),光圈,红外灯,sensor 选型专栏
- 替代满足、稀缺冲动、从众效应、思考快与慢就不怕退货吗?
- Centos7设置1920x1080分辨率
- fluent当中的梯度宏和VOF梯度的获取【转载】
- ucenter与其它应用结合时出现通信失败,ucenter应用原理与调试
- php1.6t发动机机油选择,1.6t用什么机油选择啊!?
- Win11和Win10之间鼠标右键菜单切换
- STM32之UART