AI-ZHD的小窝

ZHD的小窝

行动起来，活在当下

累计撰写 81 篇文章
累计创建 53 个标签
累计收到 1 条评论

目录CONTENT

以下是 AI 相关的文章

2025-05-19
AI大模型学习之路（五）阶段1：基础知识储备第四课：信息论基础及其应用学习目标理解信息熵、交叉熵与KL散度的定义与物理意义。掌握交叉熵作为分类任务损失函数的设计原理。学会用PyTorch实现交叉熵损失函数。实战：用交叉熵损失训练逻辑回归模型。 1. 信息熵（Entropy） (1) 定义信息熵：度量随机变量的
- 2025-05-19
- 7
- 0
- 0
- 算法
- AI
2025-05-19
AI大模型学习之路（四）阶段1：基础知识储备第三课：微积分基础学习目标理解导数与偏导数的定义及其几何意义。掌握链式法则在神经网络反向传播中的应用。学会梯度下降法的原理与实现。实战：用梯度下降法优化线性回归模型。 1. 导数与偏导数 (1) 导数（Derivative）定义：函数在某一点的瞬时变化率 f'(x)
- 2025-05-19
- 13
- 0
- 0
- 算法
- AI
2025-04-17
示例：简单神经网络中的链式法则与反向传播示例：简单神经网络中的链式法则与反向传播 ‌网络结构‌：输入： x = 2 线性层： z = w \cdot x + b （参数： w = 1 , b = 0 ）激活函数：Sigmoid a = \sigma(z) = \frac{1}{1 + e^{-z}} 损失函数：平方损失 L = (a
- 2025-04-17
- 15
- 0
- 0
- 算法
- AI
2025-04-16
AI大模型学习之路（三）阶段1：基础知识储备第二课：概率与统计基础学习目标掌握概率的基本概念：条件概率、贝叶斯定理、独立事件。理解常见概率分布（二项分布、正态分布）及其应用。学会最大似然估计（MLE）的基本思想。实战：用Python模拟概率实验并可视化结果。 1. 概率基础 (1) 概率的定义 • 概率：描述事
- 2025-04-16
- 8
- 0
- 0
- AI
2025-04-15
AI大模型学习之路（二）阶段1：基础知识储备我们从阶段1：基础知识储备的数学基础开始，第一课聚焦于线性代数的核心概念，这是理解AI大模型（如Transformer）的基石。第一课：线性代数基础
- 2025-04-15
- 12
- 0
- 0
- AI
2025-04-15
张量计算张量（Tensor）的定义与基本概念张量（Tensor）是数学和深度学习中的核心概念，可以视为多维数组的泛化。它具有以下特性：阶数（Rank）：张量的阶数等于其轴的数量。例如： 0阶张量：标量（单个数值） 1阶张量：向量（一维数组） 2阶张量：矩阵（二维数组）
- 2025-04-15
- 7
- 0
- 0
- AI
2025-04-15
矩阵计算一、矩阵基础运算 1. 矩阵加法与减法定义：同型矩阵（行数和列数相同）对应元素相加/减。公式：若 A=[aij]，B=[bij
- 2025-04-15
- 6
- 0
- 0
- AI
2025-04-15
向量计算向量计算 1. 向量加法定义：向量加法是两个向量对应分量相加得到的新向量。若向量 A=(a1</
- 2025-04-15
- 8
- 0
- 0
- AI
2025-03-28
模型应用 RAG Agent MCP
- 2025-03-28
- 14
- 0
- 0
- AI
2025-03-12
AI大模型学习之路（一）一、学习路径建议 1. 基础阶段：掌握核心概念数学与机器学习基础：线性代数、概率论、微积分（尤其是梯度相关计算）。深度学习基础：神经网络、反向传播、优化算法（如Adam、SGD）。 <
- 2025-03-12
- 20
- 0
- 1
- AI

1
2