深度学习
没有头像的宝宝
这个作者很懒,什么都没留下…
展开
-
吴恩达深度学习入门学习笔记之神经网络和深度学习(第一周)
第一周为深度学习概论,教授了一些基础概念。 2017.8.31 1.3 用神经网络进行监督学习 对于一般的数据,比如说房价问题,使用标准的神经网络。 对于图像领域中的一些数据处理,经常使用CNN(卷积神经网络) 对于序列数据,比如音频文件,和时间有关系,是一维时间序列,经常使用RNN(循环神经网络)。还有单词等逐个出现的数据。 对于一些复杂的数据,比如说道路检测中图像加雷达,原创 2017-08-31 22:16:12 · 1369 阅读 · 0 评论 -
吴恩达深度学习入门学习笔记之神经网络和深度学习(第二周:神经网络基础)
第二周主要内容为:神经网络基础。2.1 二分分类 一些默认规则: 训练集的大小:m_train 测试集的大小:m_test 在定义特征矩阵的时候,对于输入数据(x,y),x代表特征,x \in R <>y代表label原创 2017-08-31 22:33:53 · 402 阅读 · 0 评论 -
华盛顿大学机器学习课程(个案研究法)
本课程主要是从应用入手,来解释一些机器学习中的模型。案例一:regression, linear regression(回归、线性回归)这个是一个经典的预测房价的案例。假设我们有一组房子的数据,包括房子面积,房间数目,卫生间个数,以及出售价格等属性,那么如何通过这些已知数据,来预测一个房子的出售价格呢?利用的方法就是统计学中常用的数据分析方法——线性回归。利用该方法找到最合适的模型,来对新的数据进行原创 2017-09-18 21:51:25 · 1384 阅读 · 0 评论 -
吴恩达深度学习入门学习笔记之神经网络和深度学习(第二周:神经网络基础)
第二周:神经网络基础2.1二分分类训练数据集大小:m_train 测试数据集大小:m_test对于一个训练数据(x,y),x代表特征,x∈Rn,n表示数据维度,y代表label,y∈{0,1}。 对于一组训练数据,既包含特征信息,也包含标签信息。‘ 对于一个容量为m的训练数据集:(x(1),y(1)),(x(2),y(2)),……,(x(m),y(m))定义特征矩阵X(一般每个数据作为一列,列原创 2017-09-01 20:47:46 · 1025 阅读 · 0 评论 -
华盛顿大学机器学习基础:案例研究week2
利用Python学习简单的数据操作import graphlabsales = graphlab.SFrame('home_data.gl/')#exploring the data for housing salesgraphlab.canvas.set_target('ipynb')sales.show(view="Scatter Plot",x="sqft_living",y="pri原创 2017-10-21 21:03:48 · 876 阅读 · 0 评论 -
语义分割一个review
翻译自【http://blog.qure.ai/notes/semantic-segmentation-deep-learning-review】大多数对于语义分割的研究,都是基于自然的或者真实世界的图像数据集。尽管这些结果并不能直接应用于医学图像,但是我仍然对这些文献进行了学习,因为这些研究远比医学图像领域内的要成熟。本报告组织如下: 首先,我解释了什么叫做语义分割;然后,对于现有的方法进行了一翻译 2017-11-02 16:34:16 · 2839 阅读 · 0 评论 -
用pytorch实现一个神经网络(一)
对于图像数据的resize问题: pytorch里有几种resize数据的方法: 1.torchvision.transforms.Resize:这个我始终没用成,好像是服务器上安装的anaconda包里的函数不太对。这个函数是对于PIL图像进行操作的。 2.对于numpy.ndarray的数据resize,函数为o=np.resize(i,newSize) 这个函数我试了,输出的结果再保存原创 2017-12-21 22:19:14 · 2638 阅读 · 0 评论