注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. Multi-Layer Perceptrons

  2. python中多层感知器的一个实现，本人已经跑好，配合mnist.pkl.gz数据，用于测试很识别0-9手写数字，效果可达到error %1.6左右，是DeepLearning.net上的实例代码，本人调试代码过程中写了一些注释，希望对大家有用

  3. 所属分类：专业指导

    • 发布日期：2013-07-23
    • 文件大小：12288
    • 提供者：woshiduan

  1. keras示例程序

  2. addition_rnn.py 执行序列学习以执行两个数字（作为字符串）的添加。 antirectifier.py 演示如何为Keras编写自定义图层。 babi_memnn.py 在bAbI数据集上训练一个内存网络以进行阅读理解。 babi_rnn.py 在bAbI数据集上训练一个双支循环网络，以便阅读理解。 cifar10_cnn.py 在CIFAR10小图像数据集上训练一个简单的深CNN。 conv_filter_visualization.py 通过输入空间中的渐变上升可视化 VGG1

  3. 所属分类：深度学习

    • 发布日期：2017-10-23
    • 文件大小：10485760
    • 提供者：manoerina0411

  1. 单层感知器源码（附赠多层感知器源码）

  2. python实现单层感知器（附赠多层感知器源码） 实验报告类型

  3. 所属分类：讲义

    • 发布日期：2017-12-14
    • 文件大小：16384
    • 提供者：qq_39223223

  1. sklearn0.19中文文档

  2. sklearn0.19中文文档 PDF格式高清。 .1. 广义线性模型 1.1.1. 普通最小二乘法 1.1.1.1. 普通最小二乘法复杂度 1.1.2. 岭回归 1.1.2.1. 岭回归的复杂度 1.1.2.2. 设置正则化参数：广义交叉验证 1.1.3. Lasso 1.1.3.1. 设置正则化参数 1.1.3.1.1. 使用交叉验证 1.1.3.1.2. 基于信息标准的模型选择 1.1.3.1.3. 与 SVM 的正则化参数的比较 1.1.4. 多任务 Lasso 1.1.5. 弹性网络

  3. 所属分类：机器学习

    • 发布日期：2018-10-30
    • 文件大小：14680064
    • 提供者：hardpen2013

  1. scikit-learn-0.21.3-中文文档.pdf

  2. scikit-learn 是基于 Python 语言的机器学习工具 简单高效的数据挖掘和数据分析工具 可供大家在各种环境中重复使用 建立在 NumPy ，SciPy 和 matplotlib 上 开源，可商业使用 - BSD许可证1.监督学习 1广义线性模型 °1.1.1普通最小二乘法 1.1.2岭回归 1.1.3LaSs0 o1.1.4多任务 Lasso 115弹性网络 o116多任务弹性网络 1.1.7最小角回归 1.1. 8 LARS Lasso 1.19正交匹配追踪法(OMP 1.1.1

  3. 所属分类：机器学习

    • 发布日期：2019-08-24
    • 文件大小：41943040
    • 提供者：h394266861

  1. python实现多层感知器MLP（基于双月数据集）

  2. 主要为大家详细介绍了python实现多层感知器MLP，基于双月数据集，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

  3. 所属分类：其它

    • 发布日期：2020-09-19
    • 文件大小：67584
    • 提供者：weixin_38530211

  1. python实现多层感知器

  2. 主要为大家详细介绍了python实现多层感知器的相关资料，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

  3. 所属分类：其它

    • 发布日期：2020-09-19
    • 文件大小：53248
    • 提供者：weixin_38616033

  1. python实现多层感知器

  2. 写了个多层感知器，用bp梯度下降更新，拟合正弦曲线，效果凑合。 # -*- coding: utf-8 -*- import numpy as np import matplotlib.pyplot as plt def sigmod(z): return 1.0 / (1.0 + np.exp(-z)) class mlp(object): def __init__(self, lr=0.1, lda=0.0, te=1e-5, epoch=100, size=None): self

  3. 所属分类：其它

    • 发布日期：2020-12-24
    • 文件大小：52224
    • 提供者：weixin_38535812

  1. 第三章神经网络——基于numpy的代码详解

  2. 本专栏是书《深度学习入门》的阅读笔记一共八章： 第一章深度学习中的Python基础。主要讲解了深度学习将要用到的python的基础知识以及简单介绍了numpy库和matpoltlib库，本书编写深度学习神经网络代码仅使用Python和numpy库，不使用目前流行的各种深度学习框架，适合入门新手学习理论知识。 第二章感知机。主要介绍了神经网络和深度学习的基本单元感知机。感知机接收多个输入，产生一个输出，单层感知器可以实现与门，或门以及与非门，但是不能实现异或门，异或门的实现需要借助多层感知机，这也

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：692224
    • 提供者：weixin_38720653

  1. 第四章神经网络的学习算法——随机梯度下降numpy代码详解

  2. 本专栏是书《深度学习入门》的阅读笔记一共八章： 第一章深度学习中的Python基础。主要讲解了深度学习将要用到的python的基础知识以及简单介绍了numpy库和matpoltlib库，本书编写深度学习神经网络代码仅使用Python和numpy库，不使用目前流行的各种深度学习框架，适合入门新手学习理论知识。 第二章感知机。主要介绍了神经网络和深度学习的基本单元感知机。感知机接收多个输入，产生一个输出，单层感知器可以实现与门，或门以及与非门，但是不能实现异或门，异或门的实现需要借助多层感知机，这也

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：96256
    • 提供者：weixin_38616809

  1. 神经网络模型详解与误差逆传播优化

  2. 文章目录一、神经元模型1.1 M-P神经元1.2 激励函数1.2.1 单位阶跃函数1.2.2 logistic函数（sigmoid）1.2.3 tanh函数（双曲正切函数）1.2.4 ReLU（修正线性单元）1.2.5 激励函数对比1.3 罗森布拉特感知器1.4 Adaline（自适应线性神经元）二、神经网络模型2.1 线性不可分问题2.2 多层前馈神经网络三、神经网络学习：误差逆传播四、Python实现4.1 确定参数4.2 内置数据预处理器4.3 数据初始化4.4 BP算法4.6 预测类标五

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：275456
    • 提供者：weixin_38592502

  1. BP神经网络与Python实现

  2. 本文来自于cnblogs,人工神经网络是一种经典的机器学习模型，随着深度学习的发展神经网络模型日益完善.联想大家熟悉的回归问题，神经网络模型实际上是根据训练样本创造出一个多维输入多维输出的函数，并使用该函数进行预测，网络的训练过程即为调节该函数参数提高预测精度的过程.神经网络要解决的问题与最小二乘法回归解决的问题并无根本性区别.回归和分类是常用神经网络处理的两类问题，如果你已经了解了神经网络的工作原理可以在http://playground.tensorflow.org/上体验一个浅层神经网络的

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：161792
    • 提供者：weixin_38712899

  1. SNN：“自我规范化网络”的教程和实现-源码

  2. 自规范网络 克拉姆鲍尔（Klambauer）等人提出的“自标准化网络”（SNN）的教程和实现。 （ ）。 版本号 Python 3.5和Tensorflow 1.1 Tensorflow 1.4用户注意事项 Tensorflow 1.4已经具有功能“ tf.nn.selu”和“ tf.contrib.nn.alpha_dropout”，这些功能实现了SELU激活功能和建议的退出版本。 讲解 多层感知器（） 基于MNIST的卷积神经网络（） CIFAR10上的卷积神经网络（ ） KERAS C

  3. 所属分类：其它

    • 发布日期：2021-02-19
    • 文件大小：449536
    • 提供者：weixin_42121272

  1. nn-bundle：多层感知器和三个优化器的实现：带有NAG的随机梯度下降，标准近端捆绑方法和带有上部模型的增量捆绑方法-源码

  2. nn束 多层感知器和三个优化器的实现：具有NAG的随机梯度下降，具有标准标准近邻束方法和 安装 首先，您需要克隆此存储库： $ git clone https://github.com/vdecaro/nn-bundle $ cd nn-bundle 使用此存储库需要安装conda 。 需要使用python3.7的新环境： $ conda create -n yourenvname python=3.7 $ conda activate yourenvname 下一步是包括将Gurob

  3. 所属分类：其它

    • 发布日期：2021-02-18
    • 文件大小：750592
    • 提供者：weixin_42169971

  1. DLHW1-源码

  2. 布局 标题 永久链接 页 作业1，编程问题 / AP6c2L5Z4nNd9i4sB86r / hw1-coding / 在本作业中，我们将学习如何为“普通”神经网络（或多层感知器）实现反向传播（或反向传播）。 您将开始为不同类型的图层编写前进和后退通道，然后继续在Python中的CIFAR-10数据集上训练神经网络。 接下来，您将学习使用 （一种流行的开源深度学习框架），并使用它来复制以前的实验。 该作业分为以下几部分： 实现一个神经网络，并使用Python在CIFAR-10上对其进行训练

  3. 所属分类：其它

    • 发布日期：2021-02-10
    • 文件大小：956416
    • 提供者：weixin_42134878

  1. deep-learning-keras-tensorflow：使用Keras和Tensorflow的深度神经网络简介-源码

  2. 使用Keras和Tensorflow进行深度学习 作者：Valerio Maggio 联系人： valeriomaggio_at_gmail git clone https://github.com/leriomaggio/deep-learning-keras-tensorflow.git 目录 第一部分：简介 人工神经网络简介 Perceptron和MLP 天真的纯Python实现 快进，sgd，反向传播 深度学习框架简介 Theano简介 Tensorflow简介 介绍Keras 概述

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：35651584
    • 提供者：weixin_42126865

  1. NeuroEvolution-Flappy-Bird：使用Python实现的人类，神经进化和玩Flapy Bird的多层感知器之间的比较-源码

  2. NeuroEvolution-Flappy-Bird：使用Python实现的人类，神经进化和玩Flapy Bird的多层感知器之间的比较

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：18874368
    • 提供者：weixin_42132359

  1. python实现多层感知器MLP（基于双月数据集）

  2. 本文实例为大家分享了python实现多层感知器MLP的具体代码，供大家参考，具体内容如下 1、加载必要的库，生成数据集 import math import random import matplotlib.pyplot as plt import numpy as np class moon_data_class(object): def __init__(self,N,d,r,w): self.N=N self.w=w self.d=d self.r=r

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：66560
    • 提供者：weixin_38703626

  1. DeepLearning:深度学习神经网络重建原始码-源码

  2. 深度学习 简述 第一部分 常见深度学习框架（Python API） TensorFlow 对（TensorFlow进一步封装） PyTorch（FaceBook） CNTK（微软） MXNet 胶子 见文件夹：框架 第二部分 前馈神经网络 感知器 一个单层神经网络 一个多层神经网络 使用激活函数 关于隐层和隐层神经元的实验 实现一个自动编码器 调整损失函数 测试不同的优化器 使用正则化技术提高泛化能力 添加Dropout以防止过拟合 见文件夹：前馈神经网络 第三部分 卷积神经网络 滤

  3. 所属分类：其它

    • 发布日期：2021-03-22
    • 文件大小：33554432
    • 提供者：weixin_42127835