2018年11月_Samuel_0

12月 11月 10月

原创 NetworkX（1）——可视化测试篇

这一系列博客是用来总结使用NetworkX包来进行网络图可视化的学习过程，首先第一篇是使用NetworkX来生成随机网络结构的可视化展示，属于基本操作。示例学习于余本国老师的书。代码如下：import matplotlib.pyplot as pltimport networkx as nxG = nx.random_geometric_graph(200,0.125)pos = ...

2018-11-26 14:29:34 2358

原创 matplotlib可视化初体验

这篇博客主要是总结一下最近进行的matplotlib可视化实验，内容主要来自于官方文档的实例。（1）首先最简单的——圆形散点图：import matplotlib.pyplot as pltimport numpy as np#绘制一个圆形散点图t = np.arange(1, 10, 0.05)x = np.sin(t)y = np.cos(t)#定义一个图像窗口plt....

2018-11-26 10:53:35 490

原创国际旅行人数预测——使用LSTM

时间序列问题增加了输入变量之间的序列依赖性，这样大大提升了模型的复杂程度。LSTM是循环神经网络的一种，可以成功地训练架构非常复杂的深度学习模型，用于处理时间序列问题。LSTM对输入数据的尺度十分敏感，特别是使用sigmoid（这是默认的）或者tanh作为激活函数的时候。下面代码中使用Scikit-Learn中的MinMaxScaler预处理类对数据集进行归一化处理，将数据缩放到0——1。...

2018-11-09 15:47:33 3512 4

原创国际旅行人数预测——使用多层感知器

这个例子是使用多层感知器来处理时间序列问题，例子来源于魏贞原老师的书。数据集使用的是国际旅行旅客人数数据集（international-airline-passengers）数据集下载：国际旅行旅客人数数据集（international-airline-passengers）利用matplotlib，我们先看一下实际数据的变化趋势。之后构建一个仅有一个隐藏层的多层感知器模型，并...

2018-11-05 15:44:28 1986 1

原创训练过程中使用学习率衰减

随机梯度下降算法的性能与学习率有着直接的关系，这是因为学习率决定了参数移动到最优值时的速度。如果学习率过大很可能会越过最优值，如果学习率过小，优化的效率可能过低，收敛时间极长。那么一个很好的解决方案就是学习率衰减——即学习率随着训练的进行逐渐衰减。在训练过程开始时，使用较大的学习率，这样就能快速收敛；随着训练过程的进行，逐渐降低学习率，这样有助于找到最优解。目前两种较为流行的学习率衰减方法...

2018-11-05 15:14:14 9733 2

原创在训练过程中加入Dropout

Dropout是在训练过程中，随机地忽略部分神经元——也就是说，在正向传播的过程中，这些被忽略的神经元对下游神经元的贡献效果暂时消失，在反向传播中，这些神经元也不会有任何权值的更新。Dropout的思想的出现，主要是为了解决过拟合的问题。虽然说采用组合方法，也就是训练多个模型，能够在一定程度上解决过拟合的问题，但是会带来非常大的时间开销，而Dropout可以很好的解决这个问题。在Keras...

2018-11-05 14:52:13 15144

原创模型训练过程初步可视化

在训练深度学习模型时，Keras提供了对训练历史的默认回调方法——History回调。它记录了每个epoch的训练指标，包括有损失、准确度（分类问题），以及评估数据集的损失和准确度（这需要设置）。训练过程中的信息可以从训练模型的fit()函数的返回值获取。度量标准存储在返回对象的历史成员的字典中。"""将模型训练过程可视化"""from keras.models import Sequen...

2018-11-03 16:23:59 3441