- 博客(5)
- 收藏
- 关注
RSS订阅原创 机器学习方法篇(8)------卷积神经网络公式推导
前两篇已推完RNN和LSTM的公式，本篇讲讲卷积神经网络的公式推导。粗一想，或许会认为CNN的网络结构相当于DNN的每一层由一维变成二维，而残差的传递只是增加了一个平行累积的过程。但是，在卷积层的残差反向传播中，会出现卷积核180度翻转的现象。那么，卷积核翻转是什么意思？CNN的公式推导究竟如何呢？
2017-07-30 17:13:02
2470
3
原创 机器学习方法篇(7)------LSTM公式推导
上篇对循环神经网络RNN进行了公式推导，并提到RNN存在梯度消失问题，容易将较早之前的有用信息“忘却”。而本篇要讲的LSTM模型，通过增加“门”的方式能有效弥补朴素RNN的缺陷。那么，LSTM模型具体是如何实现的？
2017-07-23 20:40:02
2726
3
原创 机器学习方法篇(6)------朴素RNN公式推导
最近工作中用到了循环神经网络（Recurrent Neural Networks），感觉网上的各种资料包括相关论文及技术博客等等，似乎都不能足够细致清晰的给出推导步骤。因此于周日闲暇时光试推公式，却陷于时间维度的反向传播推导之中，直到昨晚才恍然大悟。在这里与大家分享我的推导，也便于日后温习与查阅。
2017-07-18 10:03:33
3518
10
原创 机器学习方法篇(5)------神经网络概述
早在二十世纪四十年代，心理学家Mcculloch和数理逻辑学家Pitts在分析、总结神经元基本特性的基础上，就提出了神经元的数学模型。随着计算机硬件技术的飞速发展，神经网络从最初的单层感知机结构发展成了如今流行的多层网络。那么，神经网络为何如此流行？其又是如何工作的？
2017-07-09 19:55:17
865
原创 机器学习方法篇(4)------决策树剪枝
由于决策树的分支过多，使得训练集某一小部分的样本特征被当成所有样本所具有的一般性质，会导致所谓的过拟合现象，而决策树应对过拟合的主要办法是剪枝。那么，决策树的剪枝具体是如何操作的？
2017-07-02 17:51:01
1223
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