机器学习 模型、优化、训练与推理。在这里一起查看相关知识、项目与日常记录。 全部 知识Project日常记录 查找当前列表 7 条内容重置筛选 知识 反向传播↗ 从损失出发,利用链式法则计算各层参数的梯度,与优化器更新参数分工。 机器学习数学 知识 链式法则↗ 复合函数的导数怎样沿依赖关系传递,是理解反向传播的基础。 数学机器学习 知识 PyTorch(torch)↗ 张量、自动求导、训练与推理;进阶整理参数冻结和混合精度。 Python机器学习计算机系统 知识 scikit-learn↗ 数据划分、Pipeline、分类评估与交叉验证;进阶整理参数搜索和混合特征处理。 Python数据处理机器学习 知识 Softmax 与交叉熵↗ 理解分类 logits、类别分布、监督损失与数值稳定性,连接手写实现与框架接口。 机器学习数学 知识 Transformers↗ Pipeline、分词、模型推理与文本生成;进阶整理批处理和自动设备分配。 Python机器学习 Project待开始 手写数字识别↗ 从 NumPy 核心实现到 PyTorch 对照,按六阶段组织手写数字识别的模块、知识与实践。 机器学习数学Python计算机系统 没有符合条件的内容,可以换个关键词或重置筛选。