乐川大佛的博客

前言目录前言1 卷积神经网络 CNN1.1 理论理解1.2 实践理解1.2.1 tensorflow 上CNN使用样例1.2.2 keras 上CNN使用样例2 池化层2.1 理论理解2.2 实践理解2.2.1 tensorflow 上池化层使用样例2.2.2 keras 上池化层使用样例3 基于Keras的分类问题实践3.1 数据集及问题描述3.2 核心代码3.3 实验结果3.4 完整代码1 卷积神经网络 CNN1.1 理论理解  CNN出现已有非常长的历史了，直接拿已有的解释性文章来进行参考，这

说明  在讲解了Dense+Attention以及LSTM+Attention时，还是使用了别人的代码，因此很多同学对一些地方仍有不够清晰的认识，在这里分享下自己的经验，并基于实践重新设计了实验。这是本人在Attention实践后的经验之谈，所讲不一定完全正确，欢迎讨论。目录说明1 前情提要1.1 参数设定1.2 数据集生成2 模型构建2.1 总体构建2.1.1 搭建模型2.1.2 获取注意力2.1.3 训练模型并可视化注意力3 注意力机制实现3.1 Baseline3.2 第一种Attention机制

前言  尽管gensim里的word2vec已经非常好用，但用别人的模型始终难以直接解决自己的问题，于是去搜有没有直接能用的Keras版，找到了两版，分别为：版本1：keras训练word2vec代码版本2：【不可思议的Word2Vec】6. Keras版的Word2Vec  两位写的都很好，版本1代码上可以直接上手，版本2框架更清晰，但两位大佬的数据集都是基于多篇文章的，版本1是从微...

说明大部分代码来源于网上，但网上的代码一下子可能难以入门或因版本原因报错，此处整理后进行详细分析。  参考的代码来源1：Attention mechanism Implementation for Keras.网上大部分代码都源于此，直接使用时注意Keras版本，若版本不对应，在merge处会报错，解决办法为：导入Multiply层并将attention_dense.py第17行的：att...

说明大部分代码来源于网上，但网上的代码一下子可能难以入门或因版本原因报错，此处整理后进行详细分析。  参考的代码来源1：Attention mechanism Implementation for Keras.网上大部分代码都源于此，直接使用时注意Keras版本，若版本不对应，在merge处会报错，解决办法为：导入Multiply层并将attention_dense.py第17行的：att...

实验简介  本次实验一方面是熟悉Keras 序列式(Sequential)模型的使用，另一方面是复现早期的经典网络结构来学习神经网络搭建的技巧。数据集采用的是熟知的Minst手写识别，框架采用的是tensorflow、Keras，数据集和框架的导入和安装请点击这里。经典的网络结构已有大量博客进行理论分析，这里只给出代码仅供参考，关于神经网络结构的发展，推荐大家看这篇文章。DeepDense ...