binary:二進位制 discret:離散的,不連續的 vector:向量 matrice:矩陣 pixel:畫素 intensity:強度 dimension:維度
關於第一章的神經網路認識:初次接觸,暫時不做筆記,參考了一篇筆記:
在二分分類問題中,結果是離散值輸出.
。例如-賬戶被黑（1）或被破壞（0）腫瘤惡性（1）或良性（0）
例子:我們的目標是訓練乙個分類器，輸入是由乙個特徵向量x表示的影象，並**相應的標籤y是1還是0。在這種情況下，有貓的影象為（1）非貓的影象為(0)。
影象在計算機中的為3個離散型矩陣,對應於red,green,blue三個管道,三個矩陣的大小和影象大小相同,例如:貓的影象的解析度為64*64畫素,三個矩陣也為64*64
乙個單元格的代表特徵向量的值將被用來建立乙個n維的特徵向量,在模式識別和機器學習中,乙個特徵向量代表乙個物件,在這個例子中,表示有貓或沒貓.
為了建立乙個特徵向量x，畫素的強度值將為每一種顏色「展開」或「重塑」。輸入的特徵向量是x是乙個長度為64*64*3的乙個矩陣用nx表示.維度為(nx,m),m為樣本數
深度學習 使用PyTorch模擬二分類
目標效果 生成隨機資料 n data torch.ones 100,2 生成全為1的100行2列的張量 x0 torch.normal 2 n data,1 返回一組張量，表示從均值為2 n data，標準差為1的正態分佈中隨機抽取的資料 y0 torch.zeros 100 生成全為0的100行1...
Python深度學習筆記（三）二分類模型
繼續來寫我的學習筆記 二分類問題 我從資料的處理，模型的構架，訓練過程，驗證模型及損失和精度的比較這幾個方面來介紹。from keras.datasets import imdb train data,train labels test data,test labels imdb.load data...
機器學習二分類精度
針對二分類的結果，對模型進行評估，通常有以下幾種方法 初始作如下定義 真實結果10 結果 1tp 真陽性 fp 假陽性 0fn 假陰性 tn 真陰性 precision 準確率 可以理解為 結果為正類中有多少是正類，給出定義如下 recall 召回率 可以理解為真實結果為正類中有多少被 成正類，給出...