Steven的博客

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

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_

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

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。

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...

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...