qq_39683748-CSDN博客

原创 tensorflow 学习笔记

Tensorflow 搭建自己的神经网络 (莫烦 Python 教程)https://www.bilibili.com/video/av16001891?from=search&seid=15441048423060296102tensorflow学习笔记（1）：常量（tf.constant）与变量（tf.Varialbe）https://blog.csdn.net/yjk13...

2018-11-06 20:57:41 83

原创 numpy中文手册

网址：https://www.numpy.org.cn/目录导入模块:向量循环移动随机数生成随机数生成—正态分布随机数生成—指定分布概率矩阵合并（矩阵连接）矩阵转置矩阵相乘计算协方差矩阵计算矩阵特征根和特征向量导入模块:import numpy as np向量循环移动把向量x向右移动move_step步numpy.rol...

2018-11-06 19:42:04 9406 1

原创 Pycharm 的使用

Pycharm 运行py文件https://blog.csdn.net/Kol_mogorov/article/details/79938356Pycharm 安装模块https://www.cnblogs.com/sincoolvip/p/5966696.html在pycharm里面对文件夹或者文件进行重命名的一种方法https://blog.csdn.net/york199...

2018-11-05 12:42:02 155

原创 pycharm下载+汉化

官网下载：https://www.jetbrains.com/pycharm/然后点download now二选一，专业版收费（可以破解）社区版免费（功能少了WEB开发和数据库支持）我个人选了专业版，大小200M左右破解包：https://www.cnblogs.com/linkenpark/p/9251867.html汉化包下载：http://www.ddooo.com/...

2018-11-05 10:36:56 215

转载 Google Drive/Docs/Presentation 的下载

转自：http://www.cnblogs.com/mahun/p/4168633.html 作者：梦中的天堂Google Drive/Docs/Presentation 的下载一、Google DriveGoogle Drive 里并不提供创建直接下载链接的选项，但是可以通过小小的更改链接形式就能把分享的内容保存到本地。例如，一份通过 Google Drive 分享的文件链接形式为：...

2018-12-26 23:58:06 549 1

翻译 TensorFlow and deep learning,without a PHD 第13章中文

批量标准化batch normalisation是一种很有前途的新的正则化技术。它解决了什么问题？让我们来看看数据集可能具有的典型问题。

2018-12-26 23:47:23 134

翻译 TensorFlow and deep learning,without a PHD 第12章中文

13。实验室：99％的挑战确定神经网络大小的一个好方法是：首先实现一个小型的，有点过于受限的神经网络，然后渐渐给它更多的自由度，并添加dropout，以确保它不会过拟合。针对您的问题，这样做最终能得到一个相当优秀的网络。例如，我们在第一个卷积层中仅使用了4个卷积核。如果您能认识到：这些卷积核的权重在训练期间会进化为一个个不同的形状识别器，您或许会很直觉地发现问题：4个...

2018-12-26 20:33:52 130

翻译 TensorFlow and deep learning,without a PHD 第11章中文

实验：建立一个卷积网络为了将代码转换为卷积模型，我们需要为卷积层定义适当的权重张量，然后将卷积层添加到模型中。我们已经知道，卷积层需要如下形状的权重张量。以下是TensorFlow的初始化语法：W = tf.Variable(tf.truncated_normal([4, 4, 3, 2], stddev=0.1))B = tf.Variable(tf.ones([2...

2018-12-15 10:48:03 115

翻译 TensorFlow and deep learning,without a PHD 第10章中文

10.理论：卷积神经网络在卷积网络的卷积层中，一个“神经元”的输出值如何计算？首先需要在图像的小区域上做上面的像素的加权和。然后，加权和通过添加偏置b并通过一个激活函数来得到神经元的输出。卷积神经网络和之前的网络最大的区别在于：每个神经元会重复使用相同的权重，而在之前看到的完全连接的网络中，每个神经元都有自己的权重。在上面的gif图中，您可以看到，通过在图像的两个方向（...

2018-12-07 10:49:03 135

转载流形学习

流形学习是一种非线性降维方法。其算法基于的思想是：许多数据集的维度过高只是由人为导致的。1. 介绍高维数据集会非常难以可视化。虽然可以绘制两维或三维的数据来显示数据的固有结构，但与之等效的高维图不太直观。为了帮助数据集结构的可视化，必须以某种方式降低维度。通过对数据的随机投影来实现降维是最简单的方法。虽然这样做能实现数据结构一定程度的可视化，但随机选择投影仍有许多有待改...

2018-12-05 15:45:40 2056

翻译核主成分分析—Kernel Principal Component Analysis（KPCA）

摘要：一种新的非线性“主成分分析（PCA）”方法被提出了。通过对核函数的积分，利用非线性映射，我们可以有效地计算与输入空间相关的高维特征空间中的主成分。例如，在图像中所有可能的d个像素的空间。我们给出了该方法的推导，并给出了用于模式识别的多项式特征提取的实验结果。1.介绍假设我们有一个数据集：其中，数据集的均值为0（如果均值不为0，要先对做处理，减去均值）的...

2018-12-03 17:40:22 8159 1

原创主成分分析（PCA）与LDA

主成分分析（PCA）理论：https://www.jianshu.com/p/4528aaa6dc48http://blog.csdn.net/zhongkelee/article/details/44064401代码：# -*- coding:utf-8 -*-# 导入需要的包：import numpy as npimport matplotlib.pyplot as...

2018-12-02 15:33:17 336 1

原创机器学习笔记

主成分分析（PCA）https://blog.csdn.net/qq_39683748/article/details/84715960

2018-12-02 00:01:03 64

翻译 TensorFlow and deep learning,without a PHD 第9章中文

实验：dropout（训练时废掉某些神经元），overfitting（过拟合）训练神经网络的时候，您可能会留意到：测试和训练数据的交叉熵曲线一开始的变化趋势几乎一样，两者的差距非常小。但是在几千次迭代之后，这两条曲线开始分离。（训练集的准确率留在比较高的位置，测试集的准确率却开始一点点下降了）这是因为我们的学习算法仅仅对训练数据起作用，并相应地优化了训练交叉熵。可是它从来都...

2018-11-30 22:14:32 103

翻译 TensorFlow and deep learning,without a PHD 第8章中文

实验：学习速率衰减通过两个中间层、三个中间层或四个中间层，如果将迭代次数设为5000次或更高，那么可以获得接近98%的精度。但你会发现结果不是很稳定。这些曲线上下波动，测试集上的准确度上下波动，波动幅度约为百分之一。这意味着即使学习率为0.003，我们也走得太快了。但是，我们不能仅仅把学习率除以十，否则训练过程就变得无比漫长。一个可行的解决方案是：快速启动，并将学习...

2018-11-29 20:02:38 100

翻译 TensorFlow and deep learning,without a PHD 第7章中文

实验：深度网络的特殊调整随着层数的增加，神经网络的训练越来越难收敛。但我们今天就会知道如何使训练能收敛。如果您看到像下面这张图的准确度变化的曲线：其实只需要做1行代码的修改，就能解决不收敛的问题。1.改用Relu激活函数sigmoid激活函数在深网络中实际上是有很大问题的。sigmoid函数会把输入压缩0到1之间的所有值，如果当你重复使用sigmoid函数，神经元的...

2018-11-29 11:12:28 356

转载数据可视化—从SNE到t-SNE再到LargeVis

http://bindog.github.io/blog/2016/06/04/from-sne-to-tsne-to-largevis/

2018-11-28 20:03:20 400

翻译 TensorFlow and deep learning,without a PHD 第6章

实验：添加新的层为了提高识别精度，我们准备增加更多的层到神经网络。第二层的神经元将计算前一层的神经元输出的加权和，而不是计算像素的加权和。这里是一个5层完全连接的神经网络：我们将softmax函数作为最后一层的激活函数，因为这是最适合分类的。然而，在中间层，我们将使用最经典的激活函数：sigmoid函数：本节中的任务是向模型添加一两个中间层以提高其性能。////...

2018-11-25 22:52:20 220

翻译 TensorFlow and deep learning,without a PHD 第5章

实验：走进代码一层神经网络的代码已经编写好了。请打开mnist_1.0_softmax.py文件，里面有解释。（所有文件的下载链接在第一章有）本节中的任务是理解这份原始的代码，以便随后对其进行改进。您应该看到，文件中的解释和启动器代码之间只有很小的差异。它们与用于可视化的函数对应，并在注释中作为相应的标记。你可以忽略它们。mnist_1.0_softmax.py...

2018-11-23 10:45:16 107

翻译 TensorFlow and deep learning,without a PHD 第4章

理论：梯度下降现在我们的神经网络能根据输入的图像输出预测结果，我们需要想办法衡量输出的结果的好坏，也就是网络输出的预测结果和我们所知道的真实结果之间的差距。请记住，我们这个数据集中的所有图像都有真正的标签。任何距离函数都可以，普通的欧几里德距离表现都很好，但对于分类问题，要一个叫做“交叉熵”的距离更有效。“One-hot”编码意味着使用10个值的向量来表示标签“6”，所有值都是零，...

2018-11-22 22:06:10 94

翻译 TensorFlow and deep learning,without a PHD 第3章

理论：单层神经网络MNIST数据集中的手写数字是28×28像素的灰度图像。把它们分类的最简单的方法是使用28x28＝784像素作为1层神经网络的输入。神经网络中的每个“神经元”都对它的所有输入进行加权和，然后加上一个称为“偏置”的常数，再通过一些非线性激活函数来反馈结果。这里我们设计了一个有10个输出神经元的单层神经网络，因为我们要把数字分成10类（0到9）。对于分类...

2018-11-22 11:56:22 119

翻译 TensorFlow and deep learning,without a PHD 第1章第2章

第1章在您的计算机上安装必要的软件：Python、TensorFlow和Matplotlib。所有代码都在这里：https://download.csdn.net/download/qq_39683748/10800108本教程的示例代码在tensorflow-mnist-tutorial文件夹中。文件夹包含多个文件。现在你将要打开的的是mnist_1.0_softmax.py...

2018-11-21 23:14:03 111

原创 tensorflow学习笔记（3）：优化器optimizer

官方文档http://www.tensorfly.cn/tfdoc/api_docs/python/train.html1.class tf.train.Optimizer优化器（optimizers）类的基类。这个类定义了在训练模型的时候添加一个操作的API。你基本上不会直接使用这个类，但是你会用到他的子类比如GradientDescentOptimizer, AdagradOpti...

2018-11-10 18:50:46 286

原创 tensorflow学习笔记（2）：激活函数

官方解释：http://www.tensorfly.cn/tfdoc/api_docs/python/nn.htmltf.nn.relu(features, name=None)ReLU由于非负区间的梯度为常数，因此不存在梯度消失问题(Vanishing Gradient Problem)，使得模型的收敛速度维持在一个稳定状态。优点：收敛速度会比 sigmoid/tanh 快...

2018-11-09 21:32:49 341

qq_39683748的博客