![](https://img-blog.csdnimg.cn/20190918140012416.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
机器学习速成笔记
文章平均质量分 79
笔记
快乐成长吧
努力努力再努力!
展开
-
机器学习速成课程笔记10:使用TF的基本步骤
快速翻阅,快速学习TensorFlow 是一个用于人工智能的开源神器TensorFlow™ 是一个采用数据流图(data flow graphs),用于数值计算的开源软件库。节点(Nodes)在图中表示数学操作,图中的线(edges)则表示在节点间相互联系的多维数据数组,即张量(tensor)。它灵活的架构让你可以在多种平台上展开计算,例如台式计算机中的一个或多个CPU(或GPU),服务器,移动设...原创 2018-04-01 22:46:55 · 532 阅读 · 0 评论 -
机器学习速成课程笔记9:降低损失 (Reducing Loss)-Playground 练习
快速翻阅,快速学习学习速率和收敛 这是一系列 Playground 练习中的第一个练习。Playground (链接为:http://playground.tensorflow.org/#activation=tanh&batchSize=10&dataset=circle&regDataset=reg-plane&learningRate=0.03&...原创 2018-04-01 22:30:14 · 352 阅读 · 0 评论 -
机器学习速成课程笔记8:降低损失 (Reducing Loss)-随机梯度下降法
快速翻阅,快速学习 1.在梯度下降法中,批量指的是用于在单次迭代中计算梯度的样本总数。到目前为止,我们一直假定批量是指整个数据集。就 Google 的规模而言,数据集通常包含数十亿甚至数千亿个样本。此外,Google 数据集通常包含海量特征。因此,一个批量可能相当巨大。如果是超大批量,则单次迭代就可能要花费很长时间进行计算。 2.包含随机抽样样本的大型数据集可能包含冗余数据。实际...原创 2018-04-01 20:02:59 · 265 阅读 · 0 评论 -
机器学习速成课程笔记7:降低损失 (Reducing Loss)-优化学习速率
快速翻阅,快速学习尝试不同的学习速率,看看不同的学习速率对到达损失曲线最低点所需的步数有何影响。请尝试进行图表下方的练习。练习 1 在滑块上设置 0.1 的学习速率。不断按下“STEP”(步)按钮,直到梯度下降法算法到达损失曲线的最低点。一共走了多少步?梯度下降法到达曲线的最低点需要 81 步。练习 2 您可以使用更高的学习速率更快地到达最低点吗?将学习速率设为 1,然后不断按“STEP”(步...原创 2018-04-01 19:44:22 · 582 阅读 · 0 评论 -
机器学习速成课程笔记6:降低损失 (Reducing Loss)-学习速率
快速翻阅,快速学习正如之前所述,梯度矢量具有方向和大小。梯度下降法算法用梯度乘以一个称为学习速率(有时也称为步长)的标量,以确定下一个点的位置。例如,如果梯度大小为 2.5,学习速率为 0.01,则梯度下降法算法会选择距离前一个点 0.025 的位置作为下一个点。超参数是编程人员在机器学习算法中用于调整的旋钮。大多数机器学习编程人员会花费相当多的时间来调整学习速率。如果您选择的学习速率过小,就会花...原创 2018-04-01 19:32:21 · 556 阅读 · 0 评论 -
机器学习速成课程笔记5:降低损失 (Reducing Loss)-梯度下降法
快速翻阅,快速学习迭代方法图1(https://blog.csdn.net/qq_37791134/article/details/79779016)包含一个标题为“计算参数更新”的华而不实的绿框。现在,我们将用更实质的方法代替这种华而不实的算法。假设我们有时间和计算资源来计算 w1的所有可能值的损失。对于我们一直在研究的回归问题,所产生的损失与 w1的图形始终是凸形。换言之,图形始终是碗状图,如...原创 2018-04-01 17:46:39 · 578 阅读 · 0 评论 -
机器学习速成课程笔记4:降低损失 (Reducing Loss)
快速翻阅,快速学习上一个笔记中介绍了损失的概念。在本单元中,您将了解机器学习模型如何以迭代方式降低损失。为了训练模型,我们需要一种可降低模型损失的好方法。迭代方法是一种广泛用于降低损失的方法,而且使用起来简单有效。学习目标 了解如何使用迭代方法来训练模型。全面了解梯度下降法和一些变体,包括:小批量梯度下降法、随机梯度下降法尝试不同的学习速率。如何降低损失?...原创 2018-04-01 17:00:38 · 985 阅读 · 0 评论 -
机器学习速成课程笔记3:深入了解机器学习 (Descending into ML)-训练与损失
快速翻阅,快速学习简单来说,训练模型表示通过有标签样本来学习(确定)所有权重和偏差的理想值。在监督式学习中,机器学习算法通过以下方式构建模型:检查多个样本并尝试找出可最大限度地减少损失的模型;这一过程称为经验风险最小化。损失是对糟糕预测的惩罚。也就是说,损失是一个数值,表示对于单个样本而言模型预测的准确程度。如果模型的预测完全准确,则损失为零,否则损失会较大。训练模型的目标是从所有样本中找到一组平...原创 2018-04-01 16:07:10 · 392 阅读 · 0 评论 -
机器学习速成课程笔记2:深入了解机器学习 (Descending into ML)-线性回归
快速翻阅,快速学习 人们早就知晓,相比凉爽的天气,蟋蟀在较为炎热的天气里鸣叫更为频繁。数十年来,专业和业余昆虫学者已将每分钟的鸣叫声和温度方面的数据编入目录。Ruth 阿姨将她喜爱的蟋蟀数据库作为生日礼物送给您,并邀请您自己利用该数据库训练一个模型,从而预测鸣叫声与温度的关系。首先建议您将数据绘制成图表,了解下数据的分布情况:图 1. 每分钟的鸣叫声与温度(摄氏度)的关系。毫无...原创 2018-04-01 15:46:24 · 172 阅读 · 0 评论 -
机器学习速成课程笔记1:机器学习术语
快速翻阅,快速学习什么是(监督式)机器学习?简单来说,它的定义如下: 机器学习系统通过学习如何组合输入信息来对从未见过的数据做出有用的预测。 下面我们来了解一下机器学习的基本术语。标签标签是我们要预测的事物,即简单线性回归中的 y 变量。标签可以是小麦未来的价格、图片中显示的动物品种、音频剪辑的含义或任何事物。特征特征是输入变量,即简单线性回归中的 x 变量。简单的机器学习项目可能会使用单...原创 2018-04-01 15:36:44 · 265 阅读 · 0 评论