深度学习知识复盘前言 大部分是我在空闲时间对深度学习一些知识的复盘，可能并不是完全正确的。我只是利用 费曼学习法 在对我学习到的一些知识的解释，毕竟如果你自己能解释清楚知识点，才说明你真的学会了。 神经网络原理、CNN、RNN 深度学习，特指基于深层神经网络模型和方法的机器学习，它重要的特点是具有自动提取特征的能力。 神经网络是深度学习的核心，神经网络模仿人脑神经元的工作方式，通过层层的链接与计算，理解数据特征。 深度学习其实就是多层堆叠，并且具备分层自动特征理解的深层神经网络。 神经网络的基本结构是神经元，神经元主要做加权求和、加偏置、激活函数转换、输出。也就是说，神经元是一个计算容器。 神经网络的每一层有很多神经元，每一层都是对输入的数据做特征提取。上一层的神经元输出结果后，传递到下一个神经元，称之为一次连接。每次神经元连接，就是上层神经元计算的值，传递到下一层神经元，并且这次传递是带权重的，神经元依... 【学习笔记】刘二《PyTorch深度学习实践》- 31 卷积神经网络-基础篇 1.1 卷积神经网络学习 我们之前的神经网络，是由多个线性层串行的，这种神经网络叫做 全连接神经网络 。由于线性层的输入和下一个节点任意一个输出的都有相应的权重，都需要参与到下一个节点任意一个输出的计算，那么这种线性层也叫 全连接层 。 在使用 Softmax 训练 MNIST 数据集时，将数据输入全连接神经网络前，为了让输入满足线性回归模型的输入要求，做了一个前置操作，就是将 [N, 1, 28, 28] 的这么一个输入，转化为了 [N, 784] 。也就是说，这个前置操作将原有的图片数据的 空间信息消除了 。 在执行训练代码时，训练的最终结果，模型的准确率位置在 97.5 % 左右。而为什么不能继续升高，其实有一部分原因就是代码消除了图片数据的空间信息。例如这样的一个矩阵： python [ [ 1 , 2 , 3 ], [ 4 , 5 , 6 ], [ 7... - 笔记
10507 字
14 分钟
31
- 2026-06-30
【学习笔记】刘二《PyTorch深度学习实践》- 21 逻辑斯蒂回归 1.1 逻辑斯蒂回归学习 逻辑斯蒂回归（Logistic Regression），虽然叫回归，但实际做的是分类。 在数字手写识别中，模型的最终目的是将图片手写字，输出为最符合的数字（1、2、3、4 等等）。也就是说 y ^ \hat{y} y ^ 的值域是 { 1 , 2 , 3 , . . . , 9 } \left \{ 1, 2, 3, ..., 9 \right \} { 1 , 2 , 3 , ... , 9 } ，是具体的数字。 但是对于线性回归模型来说很难根据输入内容输出到具体的值。因为在手写识别场景下，模型做的 不是数值的计算，而是概率的计算 。 输入一张图片给模型，模型计算这个图片属于这些值的概率，最终输出的是概率最大的那个值，这其实就是分类问题。 所以，得寻找一个方法，能够将某个预测值，映射到 [ 0 , 1 ] \left [0, 1 \righ... 【学习笔记】刘二《PyTorch深度学习实践》- 11 线性模型 1.1 机器学习流程 机器学习的步骤要求： 获取数据集 DataSet 选择模型 Model 训练 Training 推理 Inferring 机器学习的通常步骤： 使用训练集训练模型 使用开发集（从训练集中划分出来）初步测试 使用测试集测试性能 得到最终的模型 输入新的数据给模型 得到预测结果 在训练时的拟合效果很好，但是在测试集却不是很好，可能是在训练时将噪声也进行识别了，导致 过拟合 。 在训练时的拟合效果很好，在测试集以及最终上线后，也能正确识别结果，说明模型具有很好的 泛化 能力。 1.2 线性回归模型学习 线性回归模型： y ^ = w x + b \hat{y} = w x + b y ^ = w x + b 在模型训练中，对于需要计算实际值（预测值）与真实值之间的差距。对于线性回归模型来说，就是上面蓝色的线或者下面绿色的线，与中间红色的线的垂直高度差。单个... - 笔记
7870 字
10 分钟
22
- 2026-06-28