2017年12月_Naruto_Q

12月 11月 10月 09月 08月 07月 06月 05月 04月 03月 02月 01月

原创 tensorflow学习笔记（5）卷积神经网络（CNN）

在http://blog.csdn.net/piaoxuezhong/article/details/78916872中，softmax分类器准确性优于两层神经网络结构的结果，之前在cs231n课程中，老师提到了这一点，神经网络层数达到一定复杂度后，神经网络才能发挥出比较大的优越性能，本篇使用TensorFlow实现卷积神经网络（CNN），测试一下效果。参考：h

2017-12-31 11:21:30 2004

原创 tensorflow学习笔记（4）softmax分类和简单神经网络比较

实例1：#!/usr/bin/env python3# -*- coding: utf-8 -*-import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

2017-12-27 21:54:47 3970

原创 tensorflow学习笔记（3）梯度下降法进行曲线拟合和线性回归

参考：https://www.tensorflow.org/get_started/get_startedhttp://jorditorres.org/research-teaching/tensorflow/first-contact-with-tensorflow-book/first-contact-with-tensorflow/#cap1

2017-12-27 21:27:26 6166

原创 tensorflow学习笔记（2）张量与计算图

参考：http://jorditorres.org/research-teaching/tensorflow/first-contact-with-tensorflow-book/first-contact-with-tensorflow/#cap1https://www.jianshu.com/p/c62fdd13561e

2017-12-25 22:52:15 9061 1

原创 Ubuntu安装Tensorflow及anaconda环境下使用TensorFlow

1安装Anaconda下载地址：https://www.continuum.io/downloads/（我安装的是linux-64-python3.6)然后执行：bash Anaconda×××-Linux-x86_64.sh ，然后一直enter键，中途会遇到([y]/n)? 的提示，输入y即可。安装好后，在终端输入Python即可看见：Python 3.6.3 |Anaconda,

2017-12-25 22:12:33 12029 2

原创 tensorflow学习笔记（1）如何高效地学习TensorFlow（附链接）

且看知乎上的帖子：如何高效的学习tensorflow？本篇简要总结以下，并不断更新中～～tensorflow官网（需要翻墙）一个有用的链接学习TensorFlow极客学院的MNIST入门github的tensorflow主页Stanford的CS 20SI课程，专门针对TensorFlow的课程First Contact With TensorFlow，中文：与Tensor

2017-12-25 21:35:52 9216

原创 win7（32位）U盘安装、卸载ubuntu（64位）双系统

前记：鉴于安装双系统走过的坑，把成功安装的经过汇总如下，亲测一、下载系统镜像和USB刻录软件Ubuntu系统镜像，官网下载。USB刻录软件，点击下载。2G以上空间的U盘。下载Ubuntu镜像进入Ubuntu官网后，点击下载Ubuntu16.04的64位版本，如下图所示：下载USB刻录工具进入Rufus的官网后，找到下图位置，点击下载USB刻

2017-12-23 19:18:39 1833

原创 GSL数学库解多参数方程

在之前的博文里介绍了gsl库的安装使用，本篇介绍使用gsl库进行多参数方程的线性拟合求解方法，使用手册给出的实例，主要参考和学习调用gsl多参线性拟合的使用步骤：The following program performs a quadratic fit to a weighted dataset using the generalised linear fitting functio

2017-12-21 14:01:55 2937

转载一文快速掌握 Git 用法（Git介绍及使用流程）

一、Github 基础什么是 Git？git 是一个分布式版本控制软件，最初由林纳斯·托瓦兹（Linus Torvalds）（Linux 之父）创作，于 2005 年发布。最初目的是为更好地管理 Linux 内核开发。Git 在本地磁盘上就保存着所有有关当前项目的历史更新，处理速度快；Git 中的绝大多数操作都只需要访问本地文件和资源，不用实时联网。Git 客户端

2017-12-20 22:04:01 13677 3

原创斯坦福大学深度学习公开课cs231n学习笔记（10）卷积神经网络

前记：20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时，发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络（Convolutional Neural Networks-简称CNN）。现在，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于避免了对图像复杂的前期预处理操作，可以直接输入原始图像，因而得到了更为广泛

2017-12-18 21:24:12 9472

翻译斯坦福大学深度学习公开课cs231n学习笔记（9）softmax分类和神经网络分类代码实现

在前面的几节课中，讲述了神经网络的基本原理和参数的优化方法等，在这节课中，讲师前面的知识进行总结运用，通过构建Softmax分类器和一个小型的神经网络让我们有更加深入和直接的了解。我按照课中的步骤在ubuntu系统下进行实现。第一步：生成数据。N = 100 # number of points per class D = 2 # dimensionality K = 3 #

2017-12-17 21:05:22 3163 4

原创斯坦福大学深度学习公开课cs231n学习笔记（8）神经网络学习过程中的检查事项和参数调优

参考：http://cs231n.github.io/neural-networks-3/https://zhuanlan.zhihu.com/p/21741716?refer=intelligentunithttps://zhuanlan.zhihu.com/p/21798784?refer=intelligentunit参考：http://c

2017-12-10 14:49:21 1923

原创斯坦福大学深度学习公开课cs231n学习笔记（7）神经网络防止数据过拟合：损失函数和正则化

正则化正则化主要是为了防止数据的过拟合，对于过拟合，下图1的说明比较清楚:对于房价与房子大小之间的关系，左边给出的是线性关系，相比于中间的二次曲线，关系拟合性上稍显不足，为欠拟合；右边的四次曲线很好的过了每格样本点，但是应用到其他的数据上的能力（泛化能力）有些差，右图所示即为过拟合。对于防止神经网络出现过拟合现象，课中给出了四种方法，分别为：L2正则化，L1正则化，

2017-12-09 10:49:09 1492

原创斯坦福大学深度学习公开课cs231n学习笔记（6）神经网路输入数据预处理（归一化，PCA等）及参数初始化

该节课中主要讲述了针对神经网络输入数据的一些预处理操作，例如：均值化，归一化，PCA与白化等，另外还讲述了损失函数及其正则化。数据预处理在深度学习算法中起着重要作用，在实际的计算过程中，将数据做归一化和白化等处理后，算法往往能够取得较好的效果。数据预处理之：归一化均值减法：即将样本数据减去它们的均值。python中操作：X=X-np.mean(X,axis=0);示例：im

2017-12-07 22:08:52 4792 1

原创斯坦福大学深度学习公开课cs231n学习笔记（5）神经网络结构与激活函数

在线性分类器中，使用公式：对图像进行分类，神经网络则使用另外一种公式：,这里只是两层的网络结构，参数W1和W2在反向传播过程中，通过链式法则得到。神经网络与大脑神经结构上图1中，左边是人脑的神经元结构，右边是神经网络数学模型。其中，生物神经元：从树突（dendrites）获取输入信号，然后沿着它唯一的轴突（axon）产生输出信号；轴突在其末端逐渐分枝，通过突触（synapses

2017-12-05 22:13:00 1558

原创斯坦福大学深度学习公开课cs231n学习笔记（4）正向传播及反向传播

参考：http://cs231n.github.io/optimization-2/https://zhuanlan.zhihu.com/p/21407711

2017-12-04 22:34:35 629

原创斯坦福大学深度学习公开课cs231n学习笔记（3）最优化方法：梯度下降

继续cs231n课程的学习，最优化方法部分：随机梯度下降法。前面课程介绍了图像分类任务的两个关键部分：（1）评分函数。将原始图像像素映射为分类评分值。（2）损失函数。根据分类评分和训练集图像数据实际分类的一致性，来衡量参数集的好坏。损失函数有不同的实现方式（例如：Softmax或SVM）。线性函数的形式是：，而SVM实现的公式是：对于图像数据xi，如果基于参数集W做出的分类预

2017-12-02 12:20:29 2329