- 博客(5)
- 资源 (2)
- 收藏
- 关注
RSS订阅转载 在分类中如何处理训练集中不平衡问题
原文地址：一只鸟的天空，http://blog.csdn.net/heyongluoyao8/article/details/49408131在分类中如何处理训练集中不平衡问题 在很多机器学习任务中，训练集中可能会存在某个或某些类别下的样本数远大于另一些类别下的样本数目。即类别不平衡，为了使得学习达到更好的效果，因此需要解决该类别不平衡问题。Jason Brownlee的
2017-10-21 11:01:26
377
转载 特征缩放(feature scaling)
特征缩放的一些方法调节比例（Rescaling）将数据的特征缩放到[0,1]或[-1,1]之间。缩放到什么范围取决于数据的性质。对于这种方法的公式如下：x是最初的特征值， x′是缩放后的值。标准化(Standardization)特征标准化使每个特征的值有零均值(zero-mean)和单位方差(unit-variance)。这个方
2017-10-19 19:56:53
1222
转载 深度学习网络调参技巧1
好的实验环境是成功的一半由于深度学习实验超参众多，代码风格良好的实验环境，可以让你的人工或者自动调参更加省力，有以下几点可能需要注意：将各个参数的设置部分集中在一起。如果参数的设置分布在代码的各个地方，那么修改的过程想必会非常痛苦。可以输出模型的损失函数值以及训练集和验证集上的准确率。可以考虑设计一个子程序，可以根据给定的参数，启动训练并监控和周期性保存评估结果。再由一
2017-10-18 20:14:59
964
转载 深度学习网络调参技巧2
遇到Nan怎么办？Nan问题，我相信大部分人都遇到过，一般可能是下面几个原因造成的：除0问题。这里实际上有两种可能，一种是被除数的值是无穷大，即Nan，另一种就是除数的值是0。之前产生的Nan或者0，有可能会被传递下去，造成后面都是Nan。请先检查一下神经网络中有可能会有除法的地方，例如softmax层，再认真的检查一下数据。我有一次帮别人调试代码，甚至还遇到过，训练数据文件中
2017-10-18 20:10:12
652
转载 深度学习网络训练技巧汇总
参数初始化。下面几种方式,随便选一个,结果基本都差不多。但是一定要做。否则可能会减慢收敛速度，影响收敛结果，甚至造成Nan等一系列问题。n_in为网络的输入大小，n_out为网络的输出大小，n为n_in或(n_in+n_out)*0.5Xavier初始法论文：http://jmlr.org/proceedings/papers/v9/glorot10a/glorot10a.pdf
2017-10-18 20:04:36
414
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人