深度学习
dream--coder
这个作者很懒,什么都没留下…
展开
-
《python深度学习》第三章神经网络入门
神经网络入门主要从例子入手,实现向量数据的分类和回归问题。一、神经网络的剖析 神经网络的四个方面: (1)层:多个层组合形成网络(模型),将一个或多个输入张量转换为一个或多个输出张量,大多数层都有权重(利用随机梯度下降学到的一个或多个张量,包含网络的知识)。注意:不同的张量格式和不同的数据处理类型要用到不同的层。例如:(samples, features)2D张量通常使用全连接层Dense来处理...原创 2020-11-24 15:31:55 · 904 阅读 · 0 评论 -
深度学习模型每次的精度等指标不太一样,原因是什么?如何完整的复现?
http://www.sohu.com/a/150686946_116235作者:崔静闯神经网络算法利用了随机性,比如初始化随机权重,因此用同样的数据训练同一个网络会得到不同的结果。初学者可能会有些懵圈,因为算法表现得不太稳定。但实际上它们就是这么设计的。随机初始化可以让网络通过学习,得到一个所学函数的很好的近似。然而, 有时候用同样的数据训练同一个网络,你需要每次都得到完全相同的结果。例如在教学和产品上。在这个教程中,你会学到怎样设置随机数生成器,才能每次用同样的数据训练同一网络时,都转载 2020-11-23 15:38:44 · 3885 阅读 · 0 评论 -
tensorflow2 中tensor转为numpy,或者查看tensor中的变量值
在处理模型的损失或者根据模型的输出我们可能会做一些其他的numpy操作,但是通常模型中出来的都是tensor类型。使用tensorflow2.3 tensor直接转numpy遇到了各种坑,网上的一些教程都是tensorflow1的,都不适用。踩坑之旅来了:目前没有用直接转的方式,经过测试通过Session的方式是可以的。第一种使用withimport tensorflow as tfTest = tf.Variable(10, dtype=tf.int32) with tf.c原创 2020-11-06 18:09:56 · 1552 阅读 · 1 评论 -
评估指标-均方误差(MSE)、平均绝对误差(MAE)3D张量、2D张量、向量之间的计算区别(代码解释)
在建立模型的损失函数时,直接使用的tensorflow keras自带的MSE函数,传入的是3D张量,但是在训练的过程中,报错ValueError: operands could not be broadcast together with shapes。查了形状方面不匹配,但是我把模型结构图片展示出来,并没有发现形状上有什么不对。考虑到是fit函数训练时出错,新加的代码只有损失那边,由于我的数据是时间序列数据所以输入时3D张量(samples, time_step, features),模型的输出也是原创 2020-11-02 14:42:22 · 2447 阅读 · 0 评论 -
《Python深度学习》第二章神经网络的数学基础
神经网络的数学基础一、初识神经网络 机器学习中,分类问题的类别叫做类,数据点叫作样本。样本对应的类叫做标签。 深度学习的通过表示层来学习数据中的新表示,而表示层通过神经网络来实现。神经网络的核心组件就是层,它是一种数据处理模块,类似于数据的过滤器,没经过一个层,数据就会被蒸馏一次,也就是从数据中学到了新的表示(我们期望这种表示,有助于我们解决问题),多层进行堆叠就可以不断的对数据进行过滤。 损失函数:网络衡量...原创 2020-10-26 21:25:17 · 366 阅读 · 0 评论 -
《Python深度学习》 第一章总结
第一章什么是深度学习1.1 人工智能、机器学习与深度学习1.1.1 人工智能1.1.2 机器学习1.1.3 从数据中学习表示1.1.4 深度学习之 “深度”1.1.5用三张图理解深度学习的工作原理1.1.6深度学习已经取得的进展1.1.7 不要相信短期炒作1.1.8 人工智能的未来1.2 深度学习之前:机器学习简史1.2.1 概率建模1.2.2 早期神经网络1.2.3 核方法1.2.4 决策树、随机森林与梯度提升机1.2.5 回到神经网络1..原创 2020-10-06 21:41:47 · 261 阅读 · 0 评论 -
anaconda创建新环境
为什么要创建新环境? 在运行项目的时候,可能某一个项目需要python3,另一个项目需要Python2,这时候我们就需要两个环境。 2. 如何创建新环境? conda create -n 文件夹 python=3.6(指定python的版本) 当弹出 :Proceed ([y]/n)? 输入y回车 完成...原创 2020-04-01 20:11:09 · 36346 阅读 · 1 评论