![](https://img-blog.csdnimg.cn/20190927151132530.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
深度学习
文章平均质量分 89
深度学习
驭风少年君
勤学苦练,不负韶华。
非学无以广才,非志无以成学。
展开
-
人工智能框架实战精讲:Keras项目-英文语料的DNN、Word2Vec、CNN、LSTM文本分类实战与调参优化
读取数据,本次使用的数据集是英文数据集。都是已经标注好的情感2分类数据集,1为积极,0为消极。三个数据集都存在data文件夹下,需要遍历文件夹取得相应数据集模型中有很多参数,对于参数的不同,都可能提升模型的性能。先定于一个模型架构,定义好相应的参数,构建成函数的形式 create_mode。在对相应的参数来设置一个可变范围例如设定filter的个数,卷积kernel的 长度,文本训练的embeding的大小等。"""调参。......原创 2022-08-02 21:00:10 · 623 阅读 · 1 评论 -
基于Keras搭建CNN、TextCNN文本分类模型
Keras的CNN、TextCNN文本分类原创 2022-08-02 10:46:51 · 1737 阅读 · 4 评论 -
基于Keras搭建LSTM网络实现文本情感分类
LSTM实现情感分析原创 2022-08-01 20:09:27 · 3001 阅读 · 4 评论 -
《从青铜学到王者》Python 深度学习 之对抗生成网络GAN
文章目录对抗生成网络(Generative Adversarial Nets)对抗生成网络(Generative Adversarial Nets)原创 2021-09-06 07:52:45 · 194 阅读 · 0 评论 -
《从青铜学到王者》Python 深度学习 之 递归神经网络RNN
递归神经网络简介递归神经网络是在传统的神经网络基础上的改进,普通的神经网络,先进入输入,隐藏层,在输出结果。而RNN网络会考虑数据之间的时间序列关系。加入数据集中有一个时间序列,普通的神经网络并不能考虑这么一个序列,不认为t1和t2和t3之间的关系,每一个操作都是独立来进行的 。但是如果是一个时序的数据,数据之间就有相关性,那么网络能不能学习到由于时间的关系,而对最后的结果造成影响呢?这就是RNN的特点。RNN的隐藏层,数据经过隐藏层后,得到的特征,再输出。RNN会把前一层的输出结果参与到下一层的输原创 2021-09-05 21:09:07 · 360 阅读 · 0 评论 -
《从青铜学到王者》Python 深度学习 之 TensorFlow概述 神经网络分类,CNN卷积神经网络 02
文章目录每天一遍,学习不厌TensorFlow介绍TensorFlow计算模型——计算图TensorFlow数据模型——张量( tf.Tensor )TensorFlow运行模型——会话( session )变量(tf.Variable)每天一遍,学习不厌TensorFlow介绍TensorElow.TM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10作,图中的线( edges )则表示在节点间相互联系的多维数据数组,即张量原创 2021-08-23 16:06:39 · 936 阅读 · 0 评论 -
《从青铜学到王者》Python 深度学习 之 深度学习概述,正向传播,反向传播 01
文章目录每天一遍,学习不厌深度学习概述引言机器学习与深度学习对比传统机器学习过程深度学习过程(以图像数据为例)神经网络简介神经元突触人工神经网络神经网络基本结构(NN)神经网络训练过程正向传播(FP -Forward Propagation )反向传播(BP- Backward Propagation )代码实现每天一遍,学习不厌深度学习概述引言早期的深度学习受到了神经科学的启发它们之间有着非常密切的联系。深度学习方法能够具备提取抽象特征的能力,也可以看作是从生物神经网络中获得了灵感。机器学习与原创 2021-08-22 15:05:13 · 333 阅读 · 0 评论