资源代码实现了bp全连接神经网络代码
不使用pytorch，tensorflow等神经网络学习框架
一、功能实现：
1.实现自动求导功能
2.实现adam学习率优化器代码，可以提升学习率，加快收敛
3.numpy实现矩阵运算
4.实现softmax交叉熵损失函数
5.实现递归运算每一层神经网络
6.实现训练过程中损失函数loss下降显示，使用matplot实现
二、作用：
1.方便刚入门的小伙伴入门学习神经网络，了解神经网络工作的几大部分
前向计算，激活函数，损失函数，求导
2.复现论文的adam优化器实现，实现一阶矩估计，二阶矩估计
三、能学到什么：
1.adam优化器实际代码实现
2.求导过程计算
3.matplot显示图表
4.numpy矩阵运算实现
5.递归实现层集计算
四、阅读须知：
1.参考本代码之前需要先了解bp神经网络的构成
2.此资源未使用框架，求导也是代码实现，主要是公式求导，后期会推出计算图求导的版本
3.不包含cnn卷积神经网络，不适用于特征提取，后续可能会增加cnn模块
4.本资源目前只实现relu激活函数，需要验证sigmod等激活函数可以自行添加
2024-01-11 14:57:10
13KB
1
本程序实现了在PyTorch中利用前馈神经网络实现复杂函数拟合。主要包括基于nn.Module的神经网络搭建和训练方法和数据集生成、分割方法。展示了通过调参分析和模型训练过程，评估各种超参数对训练过程、模型性能的影响，并将测试结果可视化。
2022-12-15 11:28:32
2KB
1
本程序实现了在PyTorch中利用前馈神经网络实现复杂函数拟合。主要包括基于nn.Module的神经网络搭建和训练方法和数据集生成、分割方法。展示了通过调参分析和模型训练过程，评估各种超参数对训练过程、模型性能的影响，并将测试结果可视化。
2022-12-15 11:28:31
2KB
1
本程序实现了在PyTorch中利用前馈神经网络实现复杂函数拟合。主要包括基于nn.Module的神经网络搭建和训练方法和数据集生成、分割方法。展示了通过调参分析和模型训练过程，评估各种超参数对训练过程、模型性能的影响，并将测试结果可视化。
2022-12-15 11:28:31
2KB
1
本程序实现了在PyTorch中利用前馈神经网络实现复杂函数拟合。主要包括基于nn.Module的神经网络搭建和训练方法和数据集生成、分割方法。展示了通过调参分析和模型训练过程，评估各种超参数对训练过程、模型性能的影响，并将测试结果可视化。
2022-12-15 11:28:30
3KB
1
本程序实现了在PyTorch中利用前馈神经网络实现复杂函数拟合。主要包括基于nn.Module的神经网络搭建和训练方法和数据集生成、分割方法。展示了通过调参分析和模型训练过程，评估各种超参数对训练过程、模型性能的影响，并将测试结果可视化。
2022-12-15 11:28:29
1KB
1
内容包含详细注释
代码中有数据集的下载程序:
人工构造简单二分类数据集，两个数据集大小为100，样本特征维度为2，且分别服从均值互为相反数且方差相同的正态分布。两个数据集的样本标签分别为0和1。
Fashion-MNIST数据集，该数据集为一个多类图像分类数据集，包含60000个训练图像样本，10000个测试图像样本。每个样本的数据格式为28*28*1。共10类：dress（连⾐裙）、coat（外套）、
代码内容包括：
PyTorch基本操作实验；
Torch.nn实现Logistic回归实验、softmax回归实验、实现前馈神经网络（多分类、二分类、回归）；
手动实现Logistic回归实验、softmax回归实验、实现前馈神经网络（多分类、二分类、回归）；
多分类实验torch.nn实现Dropout和多分类实验torch.optim实现L2范数正则化；
对多分类任务中的模型评估隐藏层层数和隐藏单元个数对实验结果的影响；
2022-11-29 09:56:12
980KB
1