基于BP神经网络实现共享单车数据预测，
可以运行，还有详细的注释
环境：anaconda+jupyter notebook。
文件包含代码+数据集
2021-11-09 22:50:51
432KB
1
在线深度学习：动态学习深度神经网络
在线深度学习中提出的对冲反向传播（HBP）的实现：动态学习深度神经网络
IJCAI-ECAI-18
预印本： : 。
现在，该存储库是LIBOL的一部分，将不再更新。 请检查以获取ODL和其他在线学习软件的最新更新。
2021-10-20 17:08:50
32KB
1
今天有朋友咨询我反向传播算法，我觉得不需要太复杂的推导，就可以解释清楚这个算法的原理。
序
假定神经网络采用下面的结构：
1. 最简单的神经网络模型
我们考虑最简单的情况：一个输入节点、一个输出节点、一个训练样本，网络结构如下图：
2. 损失函数
为了简化分析，我们假定只有一个训练样本 (x,y)(x,y)(x,y)。于是，损失函数简化为下面的形式：
E=12(y−a5)2(3)\tag3
E = \frac12(y – a_5)^2
E=21(y−a5)2(3)
其中，(x,y)(x,y)(x,y) 是训练样本、a1=xa_1=xa1=x，wiw_iwi 的初始值随机赋予，而 a
2021-10-18 11:37:02
152KB
1
链条机
实现
环境
Ubuntu 14.04 LTS 带有Anaconda3 4.2.0的Python 3.5.2
外部图书馆
图书馆
版本
链条机
2.0.0
杯状的
1.0.0
麻木
1.14
数据集
资料来源：MNIST 目标：MNIST-M
数据集链接：
MNIST-M原始链接（项目挂钩）：
实施结果
验证数据：目标数据（无训练数据）。
训练数据（源/目标）
精度（纸
精度（Impl
Mnist / Mnist-M
81.49％
80.81％
准确性
失利
train/loss/LP ：标签预测器损失train/loss/DC ：域分类器损失
用法
打开train.py并更改data_root路径。 运行python train.py 。
从图像文件所在的目录中获取类标签，并且目录名称必须是类ID。 因此，必须安排图像文件并为每个类重命名目录。
2021-10-16 19:25:08
194KB
1
今天小编就为大家分享一篇PyTorch: 梯度下降及反向传播的实例详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2021-10-13 13:54:01
214KB
1
手写3层神经网络（不用框架），使用mnist数据集训练，最后识别一个验证码图片。代码
2021-10-12 13:02:39
14.18MB
1