- 博客(6)
- 收藏
- 关注
RSS订阅原创 GAN
GAN 以下内容摘自课程评论 ## 1、简介 1. 生成对抗网络由Goodfellow在2014年提出。其主要灵感来源于博弈论中零和博弈的思想。GAN由生成器和判别器组成。生成器的功能是输入一个样本将其输出成一个逼真的样子，判别器来判断输入的样本是真的还是伪造的。 2. 判别网络的目的：就是能判别出来属于的一张图它是来自真实样本集还是假样本集。例如输入的是真样本，网络输出就接近1，输出的是假样本...
2020-02-25 21:57:47
227
转载 第五次打卡：卷积神经网络基础；leNet；卷积神经网络进阶
卷积神经网络基础 卷积神经网络的基础概念，主要是卷积层和池化层，并解释填充、步幅、输入通道和输出通道的含义。本节介绍的是最常见的二维卷积层，常用于处理图像数据。 二维互相关运算：二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，输出也是一个二维数组，其中核数组通常称为卷积核或过滤器（filter）。卷积核的尺寸通常小于输入数组，卷积核在输...
2020-02-19 20:42:26
355
转载 第四次打卡：机器翻译及相关技术；注意力机制与Seq2seq模型；Transformer
机器翻译和数据集 机器翻译（MT）：将一段文本从一种语言自动翻译为另一种语言，用神经网络解决这个问题通常称为神经机器翻译（NMT）。 主要特征：输出是单词序列而不是单个单词。 输出序列的长度可能与源序列的长度不同。 数据预处理：将数据集清洗、转化为神经网络的输入minbatch。字符在计算机里是以编码的形式存在，我们通常所用的空格是 \x20 ，是在标准ASCII可见字符 0x20~0x7e 范围...
2020-02-19 20:32:10
538
转载 第三次打卡，过拟合和欠拟合；梯度消失、梯度爆炸；循环神经网络进阶
模型选择、过拟合和欠拟合 训练误差和泛化误差 训练误差（training error）指模型在训练数据集上表现出的误差，泛化误差（generalization error）指模型在任意一个测试数据样本上表现出的误差的期望，并常常通过测试数据集上的误差来近似。计算训练误差和泛化误差可以使用之前介绍过的损失函数，例如线性回归用到的平方损失函数和softmax回归用到的交叉熵损失函数。 机器学习模型...
2020-02-19 16:39:12
239
转载 第二次打卡，文本预处理，语言模型，循环神经网络基础
** 文本预处理 ** 文本是一类序列数据，一篇文章可以看作是字符或单词的序列，本节将介绍文本数据的常见预处理步骤，预处理通常包括四个步骤：读入文本；分词；建立字典，将每个词映射到一个唯一的索引（index）；将文本从词的序列转换为索引的序列，方便输入模型。 ** 语言模型 ** 一段自然语言文本可以看作是一个离散时间序列，给定一个长度为T的词的序列w1,w2,…,wT，语言模型的目标就是评估该序...
2020-02-14 21:08:10
182
转载 第一次打卡，线性回归，softmax，多层感知机
线性回归 假设价格只取决于房屋状况的两个因素，即面积（平方米）和房龄（年），一栋房屋被称为一个样本（sample），其真实售出价格叫作标签（label），用来预测标签的两个因素叫作特征（feature）。特征用来表征样本的特点。 在模型训练中需要用损失函数衡量价格预测值与真实值之间的误差。 当模型和损失函数形式较为简单时，上面的误差最小化问题的解可以直接用公式表达出来。这类解叫作解析解（analy...
2020-02-14 20:57:13
206
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人