李宏毅 ML/DL-疯狂的TalentQ

疯狂的TalentQ 博主等级

累计撰写 102 篇文章
累计创建 0 个标签
累计收到 0 条评论

目录CONTENT

以下是李宏毅 ML/DL 相关的文章

2025-08-27
第二节：3 Adaptive Learning Rate 引言之前学习的 critical point，在训练任务中并不是做大的障碍，也不是非常常见。也就是说，训练受阻，并不一定是梯度太小，还可能是别的原因。 1 Training stuck ≠ Small Gradient Grad Norm（也称为 Norm of Gradient）：梯度范数，是梯
- 2025-08-27
- 2
- 0
- 0
- 李宏毅 ML/DL
2025-08-26
第二节：2 Batch and Momentum 1 Review: Optimization with Batch 每一个epoch之后，都要shuffle数据，重新分batch，再进行下一个batch。 2 Small Batch v.s. Large Batch 理论分析（不考虑GPU的并行计算）：实际上，
- 2025-08-26
- 1
- 0
- 0
- 李宏毅 ML/DL
2025-08-25
第二节：1 Local Minima and Saddle Point 1 引言：模型训练不起来怎么办可能是因为梯度为0，导致参数不再更新，模型训练也就停滞不前了。梯度为0有两种情况：局部最大值（local maxima）局部最小值（local minima）鞍点（saddle point）它们被统称为 critical point。
- 2025-08-25
- 1
- 0
- 0
- 李宏毅 ML/DL
2025-08-25
第二节：0 机器学习任务攻略 1 Framework of ML 1.1 Training Data {(x^1, \hat y^1), (x^2, \hat y^2), ..., (x^N, \hat y^N)} 1.2 Training 1.2.1 Step 1: function with unknown y = f_{\
- 2025-08-25
- 4
- 0
- 0
- 李宏毅 ML/DL
2025-08-22
第一节（下）：机器学习基本概念 1 Linear Model的局限性对于线性模型y = b + wx_1，模型训练的过程可以不断更新b和w，但是不论如何变化，该模型始终是一条直线：对于训练数据，也许数据满足的是红线的模型。如果是这样，无论我们训练出多么好的线性模型y = b + wx_1，模型的预测能力与真实情况仍存在较大差距
- 2025-08-22
- 2
- 0
- 0
- 李宏毅 ML/DL
2025-08-20
第一节（上）：机器学习基本概念 1 什么是机器学习？ Machine Learing 约等于 Looking for Function。示例： 2 不同类型的Functions 2.1 回归（Regression）
- 2025-08-20
- 18
- 0
- 0
- 李宏毅 ML/DL