- 博客(14)
- 资源 (7)
- 收藏
- 关注
RSS订阅
原创 windows10下CUDA11.1、CUDNN11.1、tensorflow-gpu 2.4.1和torch安装教程
1. 如何彻底的卸载anaconda（包括配置文件）安装 Anaconda-Clean package打开 Anaconda Prompt， 输入如下命令：conda install anaconda-clean输入如下命令卸载anaconda-clean --yes直接运行安装目录下的 Uninstall-Anaconda3.exe 即可，但是这样卸载并没有完全卸载。2. windows10下CUDA11.1、cuDNN8.0、tensorflow-gpu2.4.1安装教
2021-07-15 11:22:46
10249
6
原创 《Python深度学习》第五章-6（可视化类激活图）读书笔记
《Python深度学习》第五章-6（可视化类激活图）读书笔记卷积神经网络学到的表示非常适合可视化，很大程度上是因为它们是视觉概念的表示\color{red}视觉概念的表示视觉概念的表示。接下来介绍3种可视化方法。事中\color{blue}事中事中：可视化卷积神经网络的中间输出（中间激活）\color{red}可视化卷积神经网络的中间输出（中间激活）可视化卷积神经网络的中间输出（中间激活）：有助于理解卷积神经网络连续的层如何对输入进行变换，也有助于初步了解卷积神经网络每个过滤器的含义。事前\colo
2021-07-30 13:38:00
1490
3
原创 《Python深度学习》第五章-5（可视化过滤器）读书笔记
5.4 卷积神经网络的可视化卷积神经网络学到的表示非常适合可视化，很大程度上是因为它们是视觉概念的表示\color{red}视觉概念的表示视觉概念的表示。接下来介绍3种可视化方法。可视化卷积神经网络的中间输出（中间激活）\color{red}可视化卷积神经网络的中间输出（中间激活）可视化卷积神经网络的中间输出（中间激活）：有助于理解卷积神经网络连续的层如何对输入进行变换，也有助于初步了解卷积神经网络每个过滤器的含义。可视化卷积神经网络的过滤器\color{red}可视化卷积神经网络的过滤器可视化卷积
2021-07-29 12:07:09
842
原创 《Python深度学习》第五章-4（可视化中间激活层）读书笔记
5.4 卷积神经网络的可视化卷积神经网络学到的表示非常适合可视化，很大程度上是因为它们是视觉概念的表示\color{red}视觉概念的表示视觉概念的表示。接下来介绍3种可视化方法。可视化卷积神经网络的中间输出（中间激活）\color{red}可视化卷积神经网络的中间输出（中间激活）可视化卷积神经网络的中间输出（中间激活）：有助于理解卷积神经网络连续的层如何对输入进行变换，也有助于初步了解卷积神经网络每个过滤器的含义。可视化卷积神经网络的过滤器\color{red}可视化卷积神经网络的过滤器可视化卷积
2021-07-28 09:54:37
928
原创 《Python深度学习》第五章-1（CNN简介）读书笔记
第五章 深度学习用于计算机视觉5.1 卷积神经网络简介5.1.1 卷积神经网络对 MNIST 分类使用卷积神经网络对 MNIST 数字进行分类，在第 2 章用密集连接网络做过（当时的测试精度为 97.8%）。它是 Conv2D 层和 MaxPooling2D 层的堆叠。实例化一个小型的卷积神经网络from keras import layersfrom keras import modelsmodel = models.Sequential()model.add(layers.Conv
2021-07-24 22:37:30
943
4
原创 《Python深度学习》第四章读书笔记
第四章 机器学习基础4.1 机器学习的四个分支4.1.1 监督学习监督学习是目前最常见的机器学习类型。给定一组样本（通常由人工标注），它可以学会将输入数据映射到已知目标［也叫标注（annotation）\color{red}标注（annotation）标注（annotation）］。监督学习主要包括分类和回归，更多的奇特变体，主要包括如下几种：序列生成（sequence generation）。给定一张图像，预测描述图像的文字。序列生成有时可以被重新表示为一系列分类问题，比如反复预测序列中的单词
2021-07-22 18:18:32
337
2
原创 《Python深度学习》第三章-3（路透社数据—多分类问题）读书笔记
新闻分类：多分类问题前两个例子介绍了如何用密集连接的神经网络将向量输入划分为两个互斥的类别。本节将路透社新闻划分为 46 个互斥的主题，这是多分类（multiclassclassification）问题\color{red}多分类（multiclass classification）问题多分类（multiclassclassification）问题。每个数据点只能划分到一个类别，这是单标签、多分类（single−label,multiclass classification）\color{red}单
2021-07-21 16:57:24
358
原创 《Python深度学习》第三章-2（波士顿房价-回归问题）读书笔记
第三章-23.1 预测房价：回归问题回归问题前面两个例子都是分类问题，其目标是预测输入数据点所对应的单一离散的标签。另一种常见的机器学习问题是回归问题，它预测一个连续值而不是离散的标签。Tip：不要将回归问题与 logistic 回归算法混为一谈。令人困惑的是，logistic 回归不是回归算法，而是分类算法。数据集介绍该数据集包含美国人口普查局收集的美国马萨诸塞州波士顿住房价格的有关信息, 数据集很小，只有506个案例。数据集都有以下14个属性（具体见链接）。分为 404 个训练样
2021-07-21 16:56:24
320
原创 《Python深度学习》第二章读书笔记
2. 神经网络的数学基础2.1. 初试神经网络MNIST 数据集包含60 000 张训练图像和10 000 张测试图像，由美国国家标准与技术研究院（National Institute of Standards and Technology，即MNIST 中的NIST）在20 世纪80 年代收集得到黑白图像。类和标签在机器学习中，分类问题中的某个类别叫作类（class）。数据点叫作样本（sample）。某个样本对应的类叫作标签（label）。from keras.datasets
2021-07-19 16:18:28
157
1
原创 《Python深度学习》第一章读书笔记
《Python深度学习》读书笔记第一章 什么是深度学习1.1 人工智能、机器学习与深度学习人工智能的简洁定义:努力将通常由人类完成的智力任务自动化。机器学习与数理统计密切相关。机器学习(尤其是深度学习)呈现出相对较少的数学理论（可能太少了)，并且是以工程为导向的。1.2 机器学习是从数据中学习表示机器学习的要素输入数据点预期输出的示例衡量算法效果好坏的方法机器学习和深度学习的核心问题在于有意义的变换数据\color{red}有意义的变换数据有意义的变换数据，换
2021-07-19 16:17:58
194
1
原创 《Python深度学习》第三章第-1（电影评论分类：二分类问题)读书笔记
第三章 神经网络入门-13.1 神经网络剖析训练神经网络主要围绕以下四个方面:层，多个层组合成网络（或模型）输入数据和相应的目标损失函数，即用于学习的反馈信号优化器，决定学习过程如何进行如图 3-1 所示：多个层链接在一起组成了网络，将输入数据映射为预测值。然后损失函数将这些预测值与目标进行比较，得到损失值，用于衡量网络预测值与预期结果的匹配程度。优化器使用这个损失值来更新网络的权重。3.1.1 层：深度学习的基础组件层的定义层是一个数据处理模块，将一个或多个输入张量转换为一个
2021-07-19 16:17:30
416
原创 机器学习-白板推导系列(三十)-生成模型(Generative Model)
机器学习-白板推导系列(三十)-生成模型(Generative Model)30.1 生成模型的定义前面所详细描述的模型以浅层的机器学习为主。本章将承上启下引出后面深度机器学习的部分。本小节，主要讲述的是什么是生成模型，它是不是只是生成样本，生成数据？它的任务是什么？精准的定义是什么？这个问题实际上在之前的章节中有过详细的介绍。这里更进一步总结。之前讲过的简单的生成模型，包括：高斯混合分布（GMM），GMM的主要任务是聚类，属于非监督学习；而监督学习中的生成模型，最简单的有朴素贝叶斯模型，主要任
2021-07-06 22:04:39
5712
3
GitExtensions-2.49-SetupComplete.msi
2017-10-10
Git-2.14.1-64-bit.exe
2017-10-10
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人