Это техническая статья. Я предлагаю вам немного разобраться в линейной алгебре, а также в производных 🙂 . Тем не менее, это довольно просто с множеством визуальных эффектов, поэтому подходите с любым уровнем знаний! В конечном счете, сердцем методов искусственного интеллекта является парадигма градиентного спуска. Именно само обучение , стоящее за машинным обучением, итеративно повышает точность модели. Как оказалось, градиентный спуск — не единственный способ обучения модели..

Как модель линейной регрессии определяет оптимальный наклон и коэффициент? Возможно, вы слышали, что он выбирает значения, минимизирующие его функцию ошибок, но как он это делает? В этой статье мы рассмотрим алгоритм, который работает под капотом многих процессов машинного обучения, глубокого обучения и общей оптимизации выпуклых функций — градиентный спуск. Может быть полезно сначала изучить концепции 2D и с простой функцией, такой как парабола , но приведенные ниже наглядные примеры..

При построении модели машинного обучения мне обычно приходят в голову подобные вопросы: как оптимизируется модель? Почему модель A превосходит модель B? Чтобы ответить на них, я думаю, что одной из точек входа может быть понимание функций потерь различных моделей и, кроме того, возможность выбрать подходящую функцию потерь или самостоятельно определить функцию потерь в зависимости от цели проекта и допустимости типа ошибки. . Я опубликую серию блогов, в которых обсуждаются функции..

Введение во встроенные модули PyTorch. В предыдущем блоге мы построили модель линейной регрессии с нуля без использования каких-либо встроенных модулей PyTorch. Перед тем, как использовать встроенные модули PyTorch, мы должны понять некоторые ключевые концепции и ознакомиться с часто используемыми пакетами и модулями. Давайте начнем. пакет torch.nn Этот пакет torch предоставляет набор стандартных модулей нейронной сети, а также набор контейнерных модулей, которые можно..