深度学习
深度学习是机器学习的一个分支,其形式包括多层感知器、卷积神经网络、循环神经网络、深度置信网络和其它混合构筑。本栏有学习笔记,也有实战项目,希望与大家共勉。
Steven·简谈
博观而约取,厚积而薄发
展开
-
TensorFlow文本生成(AI 写诗)
练一个模型,让它去“背书”吧,背完了再看看它学的怎么样。本次使用的是 TensorFlow2,采用基于循环神经网络的 GRU 。给它一两个字或者一句诗,甚至一个字也不给,然后写出格式正确的诗。不会照搬已存在诗句,而是根据它对看过的诗的理解原创 2020-06-18 00:10:51 · 5876 阅读 · 46 评论 -
自编码器(AE)原理解析
机器学习基本分为监督学习、无监督学习、强化学习,而自编码器则是无监督学习的一种,不过它比较自觉,别人不监督它但它自己监督自己,对输入样本 xxx 进行训练,得出结果后再与 xxx 进行对比。通过这一特性,自编码器可以随机生成与训练数据类似的数据,比如对图片进行重建。AE的结构无监督学习的数据没有额外的标注信息,只有数据 xxx 本身。利用数据 xxx 本身作为监督信号来指导网络的训练,即希望神经网络能够学习到映射 fθ:x→xf_{\theta}:x\to xfθ:x→x。我们把网络 fθf_原创 2020-06-12 00:02:21 · 6197 阅读 · 0 评论 -
循环神经网络(RNN)原理解析
对于具有时间维度的数据,比如阅读的文本、说话时发出的语音信号、随着时间变化的股市参数等,这类数据并不一定具有局部相关性,同时数据在时间维度上的长度也是可变的。这一特性导致一般的神经网络难以处理,而循环神经网络则以序列数据为输入,在序列的演进方向进行递归且所有节点按链式连接,具有记忆性、参数共享并且图灵完备,因此在对序列的非线性特征进行学习时具有一定优势,可以很好地解决问题。下面就来详细说明其原理。RNN的结构基础的神经网络只在层与层之间建立了权连接,而 RNN 则在此基础上在层之间的神经元之间也建原创 2020-06-09 01:07:16 · 4582 阅读 · 0 评论 -
Keras预测股票走势
众所周知,股票预测是一个玄学问题,没有经验和方法,一不留神就可能被割韭菜了。当然本文仅针对单纯的数据进行预测,不具备实际操作性,主要用于学习技术。如果想将预测数据用于实际操作,则仅供娱乐,不要太注重结果。原创 2020-05-31 18:40:26 · 3608 阅读 · 16 评论 -
PyTorch构建卷积神经网络
卷积神经网络由一个或多个卷积层和顶端的全连通层组成,同时也包括关联权重和池化层。与其他深度学习结构相比,卷积神经网络在图像和语音识别方面能够给出更好的结果,且考量的参数更少。卷积神经网络的运作,以图像识别举例: 神经网络有输入输出值,当输入值是图片时,实际输入的并不是我们肉眼看到的图案,而是只能被计算机识别的一堆数字。卷积神经网络有一个批量过滤器,持续不断地在图片上滚动收集图片里的信息,每一次收...原创 2019-10-01 23:59:33 · 7653 阅读 · 3 评论 -
PyTorch手写数字识别(MNIST数据集)
MNIST 手写数字识别是一个比较简单的入门项目,相当于深度学习中的 Hello World,可以让我们快速了解构建神经网络的大致过程。虽然网上的案例比较多,但还是要自己实现一遍。代码采用 PyTorch 1.0 编写并运行...原创 2019-06-05 08:27:40 · 29570 阅读 · 47 评论