- 博客(8)
- 资源 (6)
- 收藏
- 关注
RSS订阅原创 分享张开旭微博对于分词的理解
http://weibo.com/zhangkaixu?refer_flag=1001030102_&noscale_head=1&is_hot=1#_0 【分词不是一个独立的任务】。分词的确在很多地方被使用，但不像机器翻译、语音识别、聊天那样形成一个独立的产品。用户并不对其感知，他在所有使用场景中，都如同一个hidden variable，对最后效果的影响即使不是次要的，但一定也是间接的。
2016-12-22 15:14:47
1167
原创 tensorflow CNN for mnist
code: # -*- coding: utf-8 -*- """ Created on Sat Dec 17 20:15:46 2016 @author: Administrator """ import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data mnist = input_dat
2016-12-18 19:03:15
889
1
原创 tensorflow conv2d的padding解释以及参数解释
1、padding的方式： 说明： 1、摘录自http://stackoverflow.com/questions/37674306/what-is-the-difference-between-same-and-valid-padding-in-tf-nn-max-pool-of-t 2、不同的padding方式,VALID是采用丢弃的方式,比如上述的input_width=13,
2016-12-18 16:16:55
40574
3
原创 tensorflow MNIST数据集上简单的MLP网络
一、code import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets('MNIST_data',one_hot=True) sess = tf.InteractiveSession() x = tf.placehol
2016-12-17 21:12:12
2074
原创 FM算法能够学习到原始特征的embedding表示
FM算法是CTR预估中的经典算法,其优势是能够自动学习出交叉特征.因为这种特性,FM在CTR预估上的效果会远超LR. 说明：通过FM的公式可以看出,FM自动学习交叉是通过学习到每个特征xi的向量表示vi得到的.比如说,对于field A,其特征有100w种取值,如果使用one-hot编码。那么,每个特征需要使用100w维特征表示.使用了FM算法学习之后,比如说使用vi的特征维度是10
2016-12-10 11:07:57
22154
2
原创 tensorflow tenosr的操作 concat 和 reshape
1、concat的操作是将矩阵逐行拼起来,或者逐列拼起来： import tensorflow as tf t1 = [[1,2,3], [4,5,6]] t2 = [[7,8,9], [10,11,12]] sess = tf.Session() print (sess.run(tf.concat(1, [t1, t2])))结果：concat(1,[t1,t2])进行逐行拼凑,在LSTM中
2016-12-09 09:22:21
3298
原创 session.run()是非常耗时的,千万不要用session.run的方式去取数据
1、修改某一程序的时候,使用了session去取数据,导致时间效率非常低。后来,对session.run()进行了测试,发现使用session读取数据的效率是非常低下的. # -*- coding: utf-8 -*- import tensorflow as tf import time t1 = time.time() x = tf.Variable([1.0]) b =1.0 start
2016-12-06 15:38:34
20778
9
原创 错误Tensor is not an element of this graph tensorflow
1、说明：tensorflow使用图来定义计算,在session中来执行图中定义的计算,如果没有显式的说明,那么session就跟默认的图相关联.graph 和 session应该是一一对应的.下面,举例说明,session如果和graph不一一对应的话,会出现error import tensorflow as tf def activation(e, f, g): return e
2016-12-03 22:14:05
12663
1
machine learining Dimensionality Reduction (Week 8) exercise
2015-04-22
machine learning Regularization (Week 3) exercise
2015-04-20
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人