2018年01月_谦虚的海绵

介绍 size()函数主要是用来统计矩阵元素个数，或矩阵某一维上的元素个数的函数。参数 numpy.size(a, axis=None) a：输入的矩阵 axis：int型的可选参数，指定返回哪一维的元素个数。当没有指定时，返回整个矩阵的元素个数。例子>>> a = np.array([[1,2,3],[4,5,6]])>>> np.siz...

2018-01-16 21:29:31 86798 4

原创 coursera 吴恩达 -- 第二课 Improving Deep Neural Networks ：第一周课后习题（1）Initialization

看到较大的初始W(np.random.randn*10)效果较差就想试试小一点的W初始(不乘10) 嗯效果好多啦，比He initialization的效果还略好一点点

2018-01-16 21:19:05 973 1

神经网络其实可以处理很大的数据，也可以处理音频。接下来我们就用使用上次的栗子来验证一次，但这次的目标输出是一个2983*1的音频，远远大于之前的10*1。同样的还是一步一步的来Step1 ：Prepare Data我们还是使用MNIST_small作为输入。（MNIST_small的介绍请参照上一篇博客）但这次，我们不使用现有的标签作为目标输出，而是使用已经录制好的10个数字的音频（2983*10）

2018-01-04 16:13:14 891 6

原创深度学习引论（四）：手写数字识别(Step by step)

经过前面的学习，我们已经掌握了构建神经网络的整个过程，接下来使用手写数字识别这个例子来巩固一下。Step1 : Prepare DataDataset : MNIST_small（下载地址）MNIST数据库是一个手写数字的数据库，它提供了六万的训练集和一万的测试集。数字放在一个归一化的，固定尺寸(28*28)的图片的中心。而MNIST_small是MNIST的一个子集，包含1000

2018-01-04 13:11:55 1222

原创 Ackerman函数----递归的堆栈实现

已知Ackerman函数定义如下：使用递归函数可以非常简单的实现：int Akm(int m, int n){ if(!m) return n+1; else if(m && !n) return Akm(m - 1, 1); else return Akm(m - 1, Akm(m, n - 1));}我们知道递归程序其

2018-01-02 16:53:36 1979 2

qq_25436597的博客

原创 coursera 吴恩达 -- 第二课 Improving Deep Neural Networks ：第三周 Tensorflow Tutorial

原创 Improving Deep Neural Networks ：Hyperparameter tuning, Batch Normalization, Programming Frameworks

原创 coursera 吴恩达 -- 第二课 Improving Deep Neural Networks ：第二周 Optimization Methods

原创 coursera 吴恩达 -- 第二课 Improving Deep Neural Networks ：第二周Quiz, Optimization algorithms

原创 coursera 吴恩达 -- 第二课 Improving Deep Neural Networks ：第一周Quiz, Practical aspects of deep learning

原创 coursera 吴恩达 -- 第二课 Improving Deep Neural Networks ：第一周课后习题（3）Gradient Checking

原创 coursera 吴恩达 -- 第二课 Improving Deep Neural Networks ：第一周课后习题（2）Regularization

原创 numpy中的size()函数

原创 coursera 吴恩达 -- 第二课 Improving Deep Neural Networks ：第一周课后习题（1）Initialization

原创深度学习引论（五）：手写数字识别 Ⅱ（目标输出为音频）

原创深度学习引论（四）：手写数字识别(Step by step)

原创 Ackerman函数----递归的堆栈实现

空空如也

空空如也