- 博客(5)
- 收藏
- 关注
翻译 循环神经网络中Dropout的应用
循环神经网络(RNNs)是基于序列的模型,对自然语言理解、语言生成、视频处理和其他许多任务至关重要。模型的输入是一个符号序列,在每个时间点一个简单的神经网络(RNN单元)应用于一个符号,以及此前时间点的网络输出。RNNs是强大的模型,在许多任务中表现出色,但会快速过拟合。RNN模型中缺少正则化使他难以处理小规模数据,为避免这种情况研究者经常使用提早停止,或者小规模的或未充分定义的模型。Drop
2017-07-16 17:08:23 7275 2
转载 使用少量数据构建强大图像分类模型
此文主要为保留方便今后自己查阅,顺便分享。原链接点击打开链接Building powerful image classification models using very little dataSun 05 June 2016 By Francois Chollet In Tutorials.In this tutorial, we will presen
2017-07-13 22:06:03 3211
原创 一些有意思的数据图形化分析
折线图和计数柱状图train["year"] = train.transactiondate.map(lambda x: str(x).split("-")[0])train["month"] = train.transactiondate.map(lambda x: str(x).split("-")[1])train["day"] = train.transactiondate.map
2017-07-09 11:01:04 832
翻译 机器理解的两段式合成网络迁移学习
机器理解(MC)是指对一段提供文本回答问题的能力,是自然语言处理中的一个关键任务。高质量、大规模、人工备注数据集的出现为例如深度神经网络等数据集中但具表达性模型的训练提供了可能。此外,由于答案是文本中的片段因此缩小了可能答案的搜索范围。
2017-07-05 15:00:38 664
翻译 优化器及自动化调超参数
调节超参数是深度学习中成本最高的部分之一。 当前最先进的优化器,例如Adagrad, RMSProp 和 Adam,通过为每个变量灵活地调整学习速率来简化工作,并取得了良好的效果。Adam是一种有效的随机优化方法,只需要一阶梯度和少量内存。该方法通过估计梯度的第一和第二力矩来计算不同参数的适应性学习速率。Adam的名字来源于适应性力矩估计。该方法在设计上结合了两种流行方法的优势,包括在稀疏
2017-07-01 16:54:58 3669
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人