![](https://img-blog.csdnimg.cn/20201014180756919.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
记录我的深度学习过程
jsfantasy
虚心、实腹、弱志、强骨
展开
-
自编码器 Tensorflow 实战 MNIST 数据集
1、生成模型1.1、什么是生成模型 概率统计层面:能够在给丁某一些隐含参数的条件下,随机生成观测数据的这样一种模型,称之为“生成模型”。它给观测值和比周数据系列制定一个连和概率分布 机器学习层面:直接对数据进行建模,比如根据某个变量的概率密度函数进行数据采样。在贝叶斯算法中,直接对连和概率分布P(x,y)进行建模,然后利用贝叶斯公式进行求解P(y|x)。1.2、生成模型分类第一类:完全表示出数据确切的分布函数第二类:没有办法完全表示出确切的分布函数,但是,能够做到的是新的数据的生成,而具原创 2020-07-20 10:51:00 · 1128 阅读 · 0 评论 -
MNIST 手写数据集介绍
MNIST 手写数据集介绍1、数据集介绍MNIST数据集是机器学习领域中非常经典的一个数据集,最简单的方法就是使用如下代码直接加载:import tensorflow as tf(X_train, y_train), (X_test, y_test) = tf.keras.datasets.mnist.load_data()print(X_train.shape, y_train.shape)print(X_test.shape, y_test.shape)(60000, 28, 28)原创 2020-06-09 19:22:45 · 2489 阅读 · 0 评论 -
卷积生成对抗网络---生成手写数字
深度卷积生成对抗网络(DCGAN)---- 生成 MNIST 手写图片1、基本原理生成对抗网络(GAN)由2个重要的部分构成:生成器(Generator):通过机器生成数据(大部分情况下是图像),目的是“骗过”判别器判别器(Discriminator):判断这张图像是真实的还是机器生成的,目的是找出生成器做的“假数据”训练过程固定判别器,让生成器不断生成假数据,给判别器判别,开始生成器很弱,但是随着不断的训练,生成器不断提升,最终骗过判别器。此时判别器判断假数据的概率为50%原创 2020-06-06 16:30:25 · 531 阅读 · 0 评论 -
神经网络之反向传播算法(BP)公式推导
反向传播算法详细推导反向传播(英语:Backpropagation,缩写为BP)是“误差反向传播”的简称,是一种与最优化方法(如梯度下降法)结合使用的,用来训练人工神经网络的常见方法。该方法对网络中所有权重计算损失函数的梯度。这个梯度会反馈给最优化方法,用来更新权值以最小化损失函数。 在神经网络上执行梯度下降法的主要算法。该算法会先按前向传播方式计算(并缓存)每个节点的输出值,然后再按反向传播...原创 2020-01-09 02:21:18 · 1038 阅读 · 0 评论 -
神经网络之动手实现反向传播(BP)算法
反向传播算法实战我们将实现一个 4 层的全连接网络,来完成二分类任务。网络输入节点数为 2,隐藏 层的节点数设计为:25、50和25,输出层两个节点,分别表示属于类别 1 的概率和类别 2 的概率,如下图所示。这里并没有采用 Softmax 函数将网络输出概率值之和进行约束, 而是直接利用均方误差函数计算与 One-hot 编码的真实标签之间的误差,所有的网络激活 函数全部采用 Sigmoid ...原创 2020-01-08 05:17:30 · 794 阅读 · 1 评论