UFLDL教程
文章平均质量分 89
帅气的弟八哥
敏于行而慎于言,讷于言而敏于行
展开
-
UFLDL教程:数据预处理
数据预处理是深度学习中非常重要的一步!如果说原始数据的获得,是深度学习中最重要的一步,那么获得原始数据之后对它的预处理更是重要的一部分。 一般来说,算法的好坏一定程度上和数据是否归一化,是否白化有关。数据归一化数据预处理中,标准的第一步是数据归一化。虽然这里有一系列可行的方法,但是这一步通常是根据数据的具体情况而明确选择的。特征归一化常用的方法包含如下几种:1.样本尺度归一化:简单缩放 对数据原创 2017-06-20 11:18:33 · 831 阅读 · 0 评论 -
UFLDL教程: Exercise:Learning color features with Sparse Autoencoders
Linear DecodersDeep Learning and Unsupervised Feature Learning Tutorial Solutions以三层的稀疏编码神经网络而言,在sparse autoencoder中的输出层满足下面的公式从公式中可以看出,a3的输出值是f函数的输出,而在普通的sparse autoencoder中f函数一般为sigmoid函...原创 2017-06-14 19:55:03 · 765 阅读 · 1 评论 -
UFLDL教程:Exercise:Vectorization
载入数据并显示Deep Learning and Unsupervised Feature Learning Tutorial Solutions下载MINIST数据集及加载数据集的函数。MINIST数据集的介绍。% Change the filenames if you've saved the files under different names% On some pl...原创 2017-06-12 14:46:34 · 842 阅读 · 0 评论 -
UFLDL教程:Exercise:Softmax Regression
Softmax分类函数的Python实现Deep Learning and Unsupervised Feature Learning Tutorial Solutions逻辑回归假设函数在线性回归问题中,假设函数具有如下形式:在 logistic 回归中,我们的训练集由m 个已标记的样本构成:,其中输入特征。 由于 logistic 回归是针对二分类问题的,因此类标记...原创 2017-06-13 21:33:50 · 2321 阅读 · 1 评论 -
UFLDL教程: Exercise: Implement deep networks for digit classification
Deep networksDeep Learning and Unsupervised Feature Learning Tutorial Solutions深度网络的优势 比单层神经网络能学习到更复杂的表达。 不同层的网络学习到的特征是由最底层到最高层慢慢上升的。比如在图像的学习中,第一个隐含层网络可能学习的是边缘特征,第二隐含层就学习到的是轮廓特征,后面的就会...原创 2017-06-14 15:39:22 · 1224 阅读 · 0 评论 -
UFLDL教程: Exercise: Sparse Autoencoder
一些malab函数bsxfun: C=bsxfun(fun,A,B)表达的是两个数组A和B间元素的二值操作,fun是函数句柄或者m文件,或者是内嵌的函数。在实际使用过程中fun有很多选择比如说加,减等,前面需要使用符号’@’.一般情况下A和B需要尺寸大小相同,如果不相同的话,则只能有一个维度不同,同时A和B中在该维度处必须有一个的维度为1。比如说bsxfun(@minus, A, mean(A)原创 2017-06-07 11:20:08 · 2276 阅读 · 1 评论 -
UFLDL教程: Exercise:Self-Taught Learning
自我学习Deep Learning and Unsupervised Feature Learning Tutorial Solutions 1.先训练稀疏自编码器提取特征,再把特征和label给softmax分类器进行训练,最后用test数据集进行测试。 2.由于实际应用中找到大量有标注的样本是非常困难的,所有采用先用大量无标注样本来进行无监督训练自编码器,再用自编码器...原创 2017-06-14 10:08:22 · 1270 阅读 · 0 评论 -
UFLDL教程:Exercise:Convolution and Pooling
Deep Learning and Unsupervised Feature Learning Tutorial SolutionsCNN的基本结构包括两层 其一为特征提取层,每个神经元的输入与前一层的局部接受域相连,并提取该局部的特征。一旦该局部特征被提取后,它与其它特征间的位置关系也随之确定下来。 其二是特征映射层,网络的每个计算层由多个特征映射组成,每个特征映射是一个平面,平面上...原创 2017-06-15 13:31:10 · 1923 阅读 · 0 评论 -
UFLDL教程:Exercise:PCA in 2D & PCA and Whitening
相关文章PCA的原理及MATLAB实现UFLDL教程:Exercise:PCA in 2D & PCA and Whiteningpython-A comparison of various Robust PCA implementations Deep Learning and Unsupervised Feature Learning Tutorial Solution...原创 2017-06-13 07:34:49 · 1964 阅读 · 0 评论