深度学习
link-ai
奋斗目标:财务自由
展开
-
深度学习-*-Keras+TextCNN文本分类 基于Thucnews数据集
Thucnews数据集由于本地机器资源有限,所以仅拿出4W数据来做训练和测试我把thucnews数据存到了本地mongo数据集上如下所示(请忽略label 和lable 的字母拼写错误…)项目目录结构其中classify.py->分类主体文件classify_text.txt->测试样例,自己搜集的数据gpos-vocab->自己训练的词典库stopwords->停用词典text_util.py->对文本进行操作的工具thucnews.json->原创 2020-06-22 18:14:00 · 1288 阅读 · 1 评论 -
tensorflow-*-from tensorflow import keras 与 from tensorflow.python import keras
how to use keras in tf在版本tensorflow2.0+中有很多方式引入kerasimport tensorflow as tffrom tensorflow import keras# from tensorflow_core import keras# from tensorflow.python import keras# 使用第一种 from tensorflow import keras# 其余的两个与其还是有区别的,比如我在使用的时候model.fit时会报如原创 2020-06-19 17:02:31 · 6494 阅读 · 0 评论 -
深度学习-*-梯度优化算法及代码实例
1 梯度下降算法想必大家对梯度下降或多或少有所了解,这里对他的原理就不再多说(其他教程说的比我好多了),只给出下列公式(按照吴恩达的深度学习课程中的公式):W:=W−α∗dWW:=W-\alpha*dWW:=W−α∗dW b:=b−α∗dbb:=b-\alpha*dbb:=b−α∗db上述公式中dW与db为参数W与偏置b的梯度方向,α\alphaα为步长/学习速率,即一个超参。我们的任务就是通...原创 2018-10-19 14:58:01 · 1260 阅读 · 0 评论 -
关于word2vec及文本相似性计算
关于word2vec及文本相似性计算最近2个月主要涉及到对文本相似度计算方法的实验,用了 词频词袋模型、tfidf词袋表示、word2vec表示,利用一些标注好的数据对结果进行了检验,最终还是发现 tfidf相似度计算效果较好,但计算效率慢一些。 也看到很多人说word2vec在相关语义计算方面有优势,不知道是不是我训练的模型有问题。。。有了解的大牛麻烦指点word2vec训练用...原创 2018-08-28 17:56:03 · 12017 阅读 · 9 评论 -
深度学习-*-正向及反向传播推导
正向传播如上图所示,这是一个全连接的三层神经网络,之所以说这个是3层,是因为包含了2个隐藏层、1个输出层。输入层在这里我们不把他当做神经网络中的一层看待。这里,我们假设输入数据为XXX,输出为YYY。我们先看hidden layer 1,记权重参数为W[1]W^[1]W[1]...原创 2018-10-31 17:21:20 · 1510 阅读 · 1 评论 -
深度学习-*-tensorboard错误记录
在启动时 命令行输入 tensorboard --logdir=/home/… 其中/home…是路径 不是字符串 不能用引号括起来原创 2018-11-15 17:49:47 · 226 阅读 · 0 评论 -
深度学习-*-RNN正向及反向传播
RNN简介RNN(循环神经网络)是深度神经网络中,应用最广泛的两种神经网络架构之一。并且,作为一种时序结构的神经网络,RNN经常用于时序相关的问题中,且在NLP中应用广泛。还有一种RNN称为递归神经网络,虽然名字类似,但是却是不一样的架构。RNN图示xtx_txt是输入层数据,sts_tst是隐含层数据,oto_tot是输出层数据,我们令:每一个yty_tyt是t时刻对应的真实输出...原创 2018-11-25 21:47:16 · 2311 阅读 · 1 评论 -
深度学习-*-TextCNN对头条文章进行分类
数据集–头条文章根据晚上搜集的数据资源-github地址:头条数据集处理该数据集的策略是 分词,抽词等,主要是通过原爬取者抽取的关键字和我从标题中抽取的关键字结合作为分类的特征词。模型参考的是网上的教程:import tensorflow as tfclass TextCNN(object): """ TextCNN model """ def __...原创 2019-03-28 14:21:16 · 580 阅读 · 1 评论