調用Nndl實現的神經網絡code，用ANN擬合二次方程。 ref: https://github.com/mnielsen/neural-networks-and-deep-learning 准備訓練數據 訓練網絡 網絡精度 比較擬合函數 ...

本實驗通過建立一個含有兩個隱含層的BP神經網絡，擬合具有二次函數非線性關系的方程，並通過可視化展現學習到的擬合曲線，同時隨機給定輸入值，輸出預測值，最后給出一些關鍵的提示。 源代碼如下： 運行結果如下： 結果實在是太棒了，把這個關系擬合的非常好。在上述的例子中，需要進一步說 ...

簡介 Graph Neural Networks 簡稱 GNN，稱為圖神經網絡，是深度學習中近年來一個比較受關注的領域。近年來 GNN 在學術界受到的關注越來越多，與之相關的論文數量呈上升趨勢，GNN 通過對信息的傳遞，轉換和聚合實現特征的提取，類似於傳統的 CNN，只是 CNN 只能處理規則 ...

　　近期在准備美賽，因為比賽需要故重新安裝了matlab，在里面想嘗試一下神將網絡工具箱。就找了一個看起來還挺賞心悅目的函數例子練練 ...

一個最原始粗暴的擬合任意函數的思路，是將函數切成很多段線性函數，之后用邏輯門控制當x在哪一個區間時，某些邏輯門被激活，對應的線性函數的權重w與偏移量b在邏輯門的包裹下變成非0，計算出y在這一段的輸出值。 需要推導出擬合函數y=f(x)需要哪些邏輯門，以及如何使用神經網絡構建這些邏輯門 ...

在TensorFlow中，使用tr.nn.conv2d來實現卷積操作，使用tf.nn.max_pool進行最大池化操作。通過闖傳入不同的參數，來實現各種不同類型的卷積與池化操作。 卷積函數tf.nn.conv2d TensorFlow里使用tf.nn.conv2d函數來實現卷積，其格式 ...

在訓練數據不夠多，網絡結構很復雜，或者overtraining時，可能會產生過擬合問題。 一般我們會將整個數據集分為訓練集training data、validation data，testing data。這個validation data是什么？它其實就是用來避免過擬合的，在訓練 ...

先說下一般對原始數據的划分為什么分為訓練集、驗證集、測試集三個部分？ train data的作用是訓練模型，validation data的作用是對模型的超參數進行調節，為什么不直接在test data上對參數進行調節？因為如果在test data上來調節參數，那么隨着訓練的進行，我們的網絡 ...