深度学习
可又不甘懦弱
这个作者很懒,什么都没留下…
展开
-
RNN
相比与 图片、视频更多的数据是文本、语音这些会有时间先后顺序每个单词,用向量来表示【5,1】 5个词或5句话 用1维向量表示【5,100】 5个词或5句话 用100维向量表示【5,1000】 5个词或5句话 用1000维向量表示时间序列维度太高还有相近词的语义没有考虑用cos存取数据batch每次送多少进行运算序列模型类型语音识别情感分类机器翻译为什么在序列模型使用CNN等神经网络效果不好序列数据前后之间是有很强的关联性。如:曾经有一原创 2020-11-29 19:37:29 · 187 阅读 · 0 评论 -
卷积神经网络学习笔记
卷积神经网络特征提取卷积网络与传统网络的区别:传统的神经网络卷积神经网络可输入图片 三维 h x s x c整体架构卷积层进行特征提取,池化层进行特征压缩或者降维实际在计算中,要每个颜色通道分别去做计算,然后把每个通道的结果汇总到一起f 为卷积核f两个卷积核,卷积核大小为3然后,同样的方法…卷积需要做好多次步长比较小的时候,是慢慢的提取特征,信息比较丰富,但计算效率低一般选择 1边缘填充就是说边缘的部分 被重复计算的次数少,越靠近中间原创 2020-11-25 21:40:22 · 182 阅读 · 1 评论 -
深度学习学习笔记
神经网络的隐含层越多、模型参数越多,模型拟合能力更强,同时训练的难度也会增加。减少模型参数的方法有两种:逐层训练和权重共享。权重共享思路是现有深度学习的基础,它大大减少了模型的参数。深度学习并不需要很多的人工特征工程,利用其强大的建模能力来代替,整个训练的过程是端到端的过程(End-to-End);其次深度学习模型参数居多,训练过程中需要大量的训练样本。深度学习多层网络可以将数据进行多层映射,进行逐层学习。在卷积神经网络网络中底层网络可以学习到图像的底层信息,如边缘和角点,高层网络可以学习到图像的直接转载 2020-11-22 14:55:32 · 362 阅读 · 0 评论 -
pytorch安装
pip install torch==1.3.1 -f https://download.pytorch.org/whl/torch_stable.htmlpip install -i http://pypi.douban.com/simple --trusted-host pypi.douban.com torchvision==0.4.1原创 2020-11-21 14:05:32 · 74 阅读 · 0 评论 -
深度学习(文本分析)情感分析
b站学习笔记情感分析将句子向量化ReLU激活函数计算速度更快,而且更有利于梯度信息的传递从而在一定程度上避免了梯度爆炸或者梯度消失的问题接下来,进行数据处理和数据训练的过程...原创 2020-11-12 19:37:40 · 958 阅读 · 0 评论 -
深度学习1——入门与共享单词预测
B站学习笔记深度学习神经网络是基于感知机的扩展,而DNN可以理解为有很多隐藏层的神经网络。多层神经网络和深度神经网络DNN其实也是指的一个东西,DNN有时也叫做多层感知机(Multi-Layer perceptron,MLP)。深度神经网络(Deep Neural Networks, 以下简称DNN)是深度学习的基础,深度神经网络就是一个大规模的特征提取器深度学习就是利用深度神经网络进行从数据中学习的技术输入大量的数据,深度神经网络就会自己调节权重来拟合数据中的模式卫生把一层一层的比原创 2020-11-11 20:21:22 · 205 阅读 · 0 评论