赵大宝的博客

开源项目 DeePray 发布啦！针对推荐算法，特别是点击率预估领域目不暇接的诞生新模型现状，如何将心仪模型快速应用于领域内一直是一项棘手的问题，DeePray这个项目通过统一构建数据流水线，提供各类网络层组件，在此之上，以模块化设计，用组件之砖，搭建各类网络之模型，并以灵活配置式的方式提供调用接口，你也可以在DeePray的基础上，选用各类组件模块，就像玩乐高积木一样建造你自己的模型。deepray.model目录下已实现LR、FM、FFM、DeepFM、Wide&Deep、Deep&Cr

以tf.data优化训练数据 Google开发者大会2018tensorflow:input pipeline性能指南

Week 11、Sequence data 举例： 语音识别、音乐合成、情感分类、DNA序列分析、机器翻译、视频运动识别、命名实体识别 2、如何构建一套符号表示X、Y 以命名实体识别为例，构建词汇表为每一个单词编号，使用one_hot表示一串文字 3、RNN的基础知识，网络的Noationsentence中人名识别为什么不可以使用标准的神经网络？1、在不同的例子（句子）中，输入和...

DropoutNet: Addressing Cold Start in Recommender Systems 来源：NIPS 2017，原文链接 作者：Maksims Volkovs、Guangwei Yu and Tomi Poutanen from layer6.ai公司 转载请注明出处：http://www.scholat.com/hailin由于隐语义模型...

一、Example模型：[1 input] -> [2 neurons] -> [1 output]from keras.models import Sequentialfrom keras.layers import Densemodel = Sequential()model.add(Dense(2, input_dim=1, activation='relu'))model.add(D

论文：Collaborative Deep Learning for Recommender Systems 来源：KDD 2015 原文链接 转载请注明出处：www.scholat.com/hailin现存的推荐方法可主要分为三类：基于内容的方法（content-based）协同过滤（Collaborative Filtering，CF）混合两者的方法（Hybrid me

文章来源：知乎 作者：赵鑫深度学习将在多领域产生重要影响摘要：最近几年是深度学习发展的黄金时间，在多个领域取得了重要进展，包括图像领域、语音领域、文本领域等。深度学习为科研工作者提供了一种非常有效的技术途径，其本质上是对数据特征进行深层次的抽象挖掘，通过大规模数据来学习有效的特征表示以及复杂映射机制，从而建立起有效的数据模型。从方法上来说，深度学习具有的优点本质上是领域无关的。因此，在可预见的未来

Dense层 Dense就是常用的全连接层 源码分析：model = Sequential()model.add(LSTM(4, input_shape=(1, look_back)))model.add(Dense(2213)) ## 2213是输出长度model.compile(loss='categorical_crossentropy', optimizer='adam')mo

在深度学习实验中经常会遇Eembedding层,然而网络上的介绍可谓是相当含糊。比如 Keras中文文档中对嵌入层 Embedding的介绍除了一句 “*嵌入层将正整数（下标）转换为具有固定大小的向量*”之外就不愿做过多的解释。那么我们为什么要使用嵌入层 Embedding呢?

from keras.utils.np_utils import to_categorical注意：当使用categorical_crossentropy损失函数时，你的标签应为多类模式，例如如果你有10个类别，每一个样本的标签应该是一个10维的向量，该向量在对应有值的索引位置为1其余为0。可以使用这个方法进行转换：from keras.utils.np_utils import to_catego

Time series prediction problems are a difficult type of predictive modeling problem.Unlike regression predictive modeling, time series also adds the complexity of a sequence dependence among the input