菜菜学paddle第四篇：改进卷积神经网络构建手写数字识别
前言： 在《菜菜学paddle第三篇》我们利用了卷积神经网络构建了手写数字识别，但是遗憾的是，它的准确率让人大跌眼镜，本以为是金刚钻，却泥土的活也干不了。原因出在什么地方呢？ 不同的深度学习任务需要有各自适宜的损失函数。手写数字识别是分类任务，使用均方误差作为分类任务的损失函数存在逻辑和效果上的缺欠。 本篇博文我们修改计算损失的函数，从均方误差（常用于回归问...
PyTorch使用快速梯度符号攻击（FGSM）实现对抗性样本生成（附源码和数据集MNIST手写数字）
一、威胁模型 对抗性机器学习，意思是在训练的模型中添加细微的扰动最后会导致模型性能的巨大差异，接下来我们通过一个图像分类器上的示例来进行讲解，具体的说，会使用第一个也是最流行的攻击方法之一，快速梯度符号攻击来欺骗一个MNIST分类器 每一类攻击都有不同的目标和对攻击者知识的假设，总的目标是在输入数据中添加最少的扰动，以导致所需要的错误分类。攻击有两者假设，分别是黑盒与白盒 二、快速梯度符号攻击简介 F...
多分类问题：初试手写数字识别
参考视频：09.多分类问题_哔哩哔哩_bilibili 文章目录 1 多分类问题：Softmax2 手写数字识别 1 多分类问题：Softmax 解决多分类问题需要用到Softmax分类器 将线性运算的所有结果变成正值，且和为1 P ( y = i ) = e Z i ∑ K − 1 j = 0 e Z j , i ∈ { 0 , . . . K − 1 } P(y=i)=\frac{e^{Z_i}}{...
PyTorch使用神经网络进行手写数字识别实战（附源码，包括损失图像和准确率图像）
下面使用torchvision.datasets.MNIST构建手写数字数据集。 1：数据预处理 PyTorch提供了torchvision.transforms用于处理数据及数据增强，它可以将数据从[0,255]映射到[0,1] 2：读取训练数据 准备好处理数据的流程后，就可以读取用于训练的数据了，torch.util.data.DataLoader提供了迭代数据，随机抽取数据，批量化数据等等功能 读...
基于径向基函数RBF网络的手写数字分类（Matlab代码实现）
💥1 概述 本文的目标是使用径向基函数网络对MNIST数据集中的手写数字（从0到9)进行分类。径向基函数网络是一种使用径向基函数(RBF）作为激活函数的人工神经网络。它有三层: ·输入图层 ·具有RBF 激活功能的隐藏层·线性输出层 网络的输出是输入和神经元参数的径向基函数的线性组合。 下图说明了此结构: 每个隐藏单元由中心和展开/宽度定义。每个中心都是从训练集中抽取的样本。隐藏单元的激活由输入向量x与...