盼小辉丶的博客

VGG19 是 VGG16 的改进版本，具有更多的卷积和池化操作。本文首先简要介绍了 VGG19 的架构，并使用 Keras 中预训练的 VGG19 模型进行性别分类实战。

面部关键点的定位通常是许多面部分析方法和算法中的关键步骤。在本节中，我们介绍了如何通过训练卷积神经网络来检测面部的关键点，首先通过预训练模型提取特征，然后利用微调模型预测图像中人物的面部关键点。.........

我们已经学习了如何构建了卷积神经网络 (Convolutional Neural Network, CNN) 模型，并且看到了其具有的强大性能。但是，有关 CNN 模型学习到的内容，对于我们来说仍然是一个黑匣子。在本节中，将介绍如何提取模型中各种卷积核学习到的内容特征，并对比 CNN 中开始几个卷积层中的卷积核学习到的内容与最后几个卷积层中的卷积核学习到的内容。............

迁移学习 (Transfer Learning) 是机器学习中的一个重要研究方向，指将一个预训练的模型重新用于另一个任务中，和从零开始训练卷积神经网络相比，利用迁移学习，只需要少量样本即可训练得到性能较好的模型。本文我们将使用预训练的 VGG16 模型利用迁移学习进行性别分类任务实战。...

我们已经学习了卷积神经网络 (Convolutional Neural Network, CNN) 的强大性能。虽然卷积神经网络的局部连接、权值共享和层次化表达等特性保证了网络模型可以有效的从大量样本中学习到数据的相应特征、避免了复杂的特征提取过程，但与其它模型一样，卷积神经网络同样也具有一定的局限性，本节将通过一系列实战来介绍卷积神经网络的一些局限性。......

根据经验，我们知道对于给定的图像，即使我们平移，旋转或缩放图像，图像的标签也将保持不变。数据增强是从给定的图像集中创建更多图像的一种方法，即通过旋转，平移或缩放它们并将它们映射到原始图像的标签，以扩充数据集。本节中，将介绍通过增加训练数据集的数据量能够提高神经网络的模型性能。...

我们已经学习了卷积神经网络 (Convolutional Neural Network, CNN) 的工作原理以及 CNN 模型在解决图像识别问题中的优越性。在本节中，我们将通过构建性别分类模型来验证 CNN 模型性能，从而进一步加深对 CNN 工作原理的了解。......

传统深度前馈神经网络的局限性之一是它并不满足平移不变性，且容易受图像中对象大小的影响。卷积神经网络 (Convolutional Neural Network, CNN) 的提出正是用于解决传统神经网络的这些缺陷。即使对象位于图片中的不同位置或其在图像中具有不同占比，CNN 也能够正确的处理这些图像，因此在对象分类/检测任务中更加有效。本节详细介绍了 CNN 的基本概念与计算流程，同时使用 Keras 构建 CNN 模型识别手写数字。...

工欲善其事，必先利其器。为了更专注于学习强化学习的思想，而不必关注其底层的计算细节，我们首先搭建相关强化学习环境，包括 PyTorch 和 Gym，其中 PyTorch 是我们将要使用的主要深度学习框架，Gym 则提供了用于各种强化学习模拟和任务的环境。除此之外，本文还介绍了一些 PyTorch 的基础知识，以及 Gym 环境的使用方法，为之后的强化学习实战奠定基础。

我们已经学习了使用神经网络进行音频、文本等非结构化数据和房价、信用等结构化数据分析的相关任务。本节，通过股价预测应用，了解了神经网络在处理时间序列数据的一般流程，并学习了使用函数式 API 来构建复杂神经网络，通过利用相关新闻数据信息来提高预测准确性。

我们已经了解了在结构化数据集以及非结构化文本数据上执行建模的策略。在本节中，我们将继续学习神经网络在拟合非结构化数据中的强大性能——如何在输入为音频的情况下执行分类任务。本文提取与音频文件相对应的梅尔倒谱系数 (MFCC) 作为音频特征，并构建神经网络对 。wav 格式的音频进行分类。

在先前的应用实战中，我们分析了结构化的数据集，即数据集中包含变量及其对应实际输出值。但是现实式结构更多的数据是非结构化的，并没有预定义的数据模型，文本、图像和音频等均属于非结构化数据。在本节中，将介绍新闻文本分类任务，处理一个以文本作为输入的非结构化数据集，预期的输出是文本相关的分类主题。

在本节中，我们介绍了神经网络的实际应用，使用 Boston 房价数据集，通过尝试预测房屋的价格来研究连续输出问题，并介绍了如何在网络训练过程中使用自定义损失函数。

在金融服务行业中，某些客户的违约是导致收入损失的主要来源之一。但是，只有极少数客户会违约。因此，这一分类问题的关键在于识别稀有事件。本节中，我们尝试构建二分类神经网络解决用户信用预测问题，在模型构建过程中展示了多种数据预处理技术，同时也讲解了如何在不平衡数据集中，对不同类别赋予不同权重用来提高模型性能。

本文主要介绍无监督学习中最重要的分枝之一——聚类。 当我们需要为在不带有标签的数据中挖掘所需的潜在信息时，聚类通常是我们的首选算法。介绍了三种不同的聚类算法，这 3 种算法中从不同的角度解决了聚类任务。K-means 聚类算法试图找到能够归纳数据样本的质心，并围绕它们构建簇。层次聚类方法是一种自下而上的方法，而 DBSCAN 聚类算法引入了核心和密度等概念。同时，由于数据集中缺少标签，因此监督学习中的大多评价标准并不能用于聚类算法，本节中还介绍了新的评估指标用于评价聚类算法，例如调整兰德系数和轮廓系数。

近年来，机器学习已经成为最热门的研究领域之一，机器学习通常可以分为监督学习和无监督学习。本文主要介绍监督学习的两种主要场景：分类和回归。介绍了数据分类问题并构建分类模型，了解了多种数据预处理技术，其中还包括标签编码。还介绍了使用逻辑回归构建分类器，了解了如何构建混淆矩阵。还介绍了如何使用支持向量机构建分类模型。在回归任务中，介绍了如何将线性和多项式回归用于单变量和多变量数据。

自然语言处理是人工智能领域最火热的研究方向之一，NLP 为计算机真正理解人类语言提供了基础。在本节中，我们了解了自然语言处理中的各种基本概念，首先介绍了分词技术以将输入文本分成多个 token，然后学习了如何使用词干提取和词形还原将单词转换为基本形式，并介绍了文本分块技术，根据预定义的条件将输入文本分成多个块。然后，综合使用上述方法基于词袋模型构建了一个文档矩阵，学习了如何使用机器学习技术对文本进行分类，最后，介绍了如何识别给定文本中的主题。

计算机视觉的目标是使计算机`“学习”`以人类的方式理解这些图像中像素，甚至能够挖掘出其潜在的信息。本节中，我们介绍了计算机视觉的相关概念和计算机视觉中主流的任务包括：对象识别、实例识别、动作识别、场景重建等。 在人工智能的背景下，我们介绍了现代常用与计算机视觉中的网络架构，并实现了一个基础的卷积神经网络模型。在最后，我们使用两个有趣的计算机视觉项目来作为我们开启计算机视觉之旅的入场券。

近年来，深度学习在多个领域中都取得了突破性进展，尤其是在图像识别、目标检测以及自然语言处理等领域。本文的主要目的是通过介绍深度学习存在的必要性以及相关概念，来快速入门深度学习，感受深度学习的强大魅力。在本节中，我们学习了深度学习的基本思想，同时讨论了卷积神经网络，介绍了经典的 CNN 的架构，同时了解了 CNN 中使用的各种类型的神经网络层。为了直观感受深度学习的强大性能，我们使用 Keras 框架构建了基于感知器的神经网络。最后，我们使用 CNN 构建了一个性能优异的图像分类器。...

机器学习是令计算机根据可用数据执行相应策略而无需以明确的编程方式执行策略的一门学科。 在过去几十年间，由于可用数据的数量和质量呈指数级增长，同时高性能的计算设备也得到了快速发展。Scikit-Learn 是机器学习的常用库，它包含很多实用工具和算法用于构建机器学习模型，本文通过实例讲解使用 Scikit-learn 构建机器学习模型，包括常见监督学习和无监督学习算法模型。