- 博客(25)
- 收藏
- 关注
RSS订阅原创 机器学习-生成对抗网络WGAN-GP实战（四-2）
这里就涉及到WGAN-GP的训练代码，这一部分相对比较繁琐，和传统的GAN相比，关键就是损失函数的计算和梯度的计算。还是建议大家先读机器学习-生成对抗网络变种（三），有个基础概念。涉及到公式的地方我会着重说明。Part2WGAN-GP训练过程：主函数(主要部分): for epoch in range(epochs): for _ in range(5): batch_z = tf.random.normal([batch_size, z_dim])#
2022-04-24 16:17:53
1812
原创 机器学习-生成对抗网络WGAN-GP实战（四-1）
上一篇文章简单介绍了WGAN-GP的原理，本文来实现WGAN-GP的实战。还是建议大家先读机器学习-生成对抗网络变种（三）。之前的博客写了DCGAN的实战代码，实际上在生成器和判别器网络构建方面都相差不大。大家可以参照机器学习-生成对抗网络实战（二-1），进行对照学习。
2022-04-20 17:00:20
1710
原创 机器学习-生成对抗网络变种（三）
本篇主要介绍了DCGAN，BigGAN，WGAN，WGAN-GP。繁琐的公式推导并没有呈现，直接给出结论，简单易懂。
2022-04-20 10:39:58
694
原创 机器学习-生成对抗网络实战（二-2）
本篇承接上一篇机器学习-生成对抗网络实战（二-1），本篇主要训练生成对抗网络(Generative Adversarial Network)生成器和判别器，大家应当认真理解训练的顺序，以及为什么要这样训练。
2022-04-19 10:56:42
1161
原创 机器学习-生成对抗网络实战（二-1）
建议大家先看机器学习-生成对抗网络基础概念（一），再来看实战就应该知道程序的具体流程了。本篇主要定义了生成对抗网络(Generative Adversarial Network)中的生成网络和判别网络部分，大家着重理解每一个网络层的含义和变换。具体的训练过程在下一节会有讲解，希望大家先将本篇看懂。
2022-04-19 10:50:46
1147
原创 机器学习-生成对抗网络基础概念（一）
本篇为生成对抗网络(Generative Adversarial Network)的基础知识，内容简单，但是较为重要，划线部分重点看。建议大家先认真看本篇文章，其中公式推导等复杂过程没有展现，对初学者来说看懂会用就行。在下一篇文章中我会在实际应用中继续讲解，但看明白代码的前提是要弄明白生成对抗网络的过程，以及每一步的意义后面才看得懂。后作写好之后附上链接。
2022-04-18 18:41:52
459
原创 深度强化学习-基于价值学习的高级技巧（五-1）
之前讲了TD算法和DQN，但实际上原始的DQN效果并不是很理想，因此本节主要讲解一些TD算法或者DQN的改进策略。包括经验回放，高估问题(目标网络target network，double Q-learning)，噪声网络(Noisy Net)。
2022-04-16 19:48:38
874
1
原创 深度强化学习-基于价值学习的高级技巧-对决网络（五-2）
对决网络(dueling network)实属比较复杂和难以理解，我在博客末尾加上一点自己的总结与理解，虽然可能不太严谨，但绝对通俗易懂，大家一看就会！如有问题欢迎留言，本人几乎全天在线。
2022-04-16 15:35:09
1268
3
原创 机器学习-变分自编码器VAE实战（三）
本篇主要内容是变分自编码器VAE的实战，希望大家可以对比机器学习-自编码器AE实战（二）进行对照学习，尤其是在自定义VAE类，以及网络训练部分，会有较大的不同。
2022-04-14 15:25:51
1715
1
原创 机器学习-自编码器AE实战（二）
本篇是自编码器实战，和之前相同的是数据集加载过程，但需要注意不使用标签信息。此处的自定义类，训练过程等都是换汤不换药，但图片重建是我们之前没接触到的，大家可以认真看一下。对于神经网络的学习关键要明白输入是什么，输出是什么，包括数值形状等。
2022-04-14 10:21:44
1114
原创 机器学习-自编码器，变分自编码器及其变种的基本原理（一）
本篇从自编码器（Auto-Encoder）入手，进行扩展，论述了监督学习和无监督学习的相关知识。接着讲解了自编码器的各种变种，以及比较难以理解的变分自编码器(Variational Auto-Encoders)。最后补充了极大似然估计这一数学知识，以及对变分自编码器的问题的优化。
2022-04-13 16:51:28
3598
原创 深度强化学习-强化学习基础-SARSA算法（四）
本片主要介绍SARSA算法，蒙特卡洛算法，以及自举的概念。内容比较细，比较基础，大家可以认真看。有不懂的地方可以先看之前的文章。...
2022-04-11 16:07:50
1657
原创 机器学习-循环神经网络GRU理论知识（四）
LSTM 具有更长的记忆能力，但是 LSTM 结构相对较复杂，计算代价较高，模型参数量较大。们尝试简化 LSTM 内部的计算流程，特别是减少门控数量。GRU 把内部状态向量和输出向量合并，统一为状态向量，门控数量也减少到 2 个：复位门 (Reset Gate)和更新门(Update Gate)。
2022-04-08 10:05:19
838
原创 机器学习-循环神经网络LSTM理论知识（三）
循环神经网络在处理较长的句子时只能理解有限长度的信息，对于较大范围内的信息不能很好利用起来，被称为短时记忆。后来提出长短时记忆网络(Long Short-Term Memory，简称 LSTM)，LSTM 相对于基础的 RNN 网络来说，记忆能力更强，更擅长处理较长的序列信号数据。
2022-04-06 16:51:52
896
原创 机器学习-卷积神经网络之深度残差网络CIFAR10实战（四）
背景介绍：MNIST数据集识别黑白的手写数字图片，不适合彩色模型的RGB三通道图片。本次实战利用深度残差网络对CIFAR10数据集进行分析与学习。有不懂的地方可以看代码下面的解释与讲解
2022-04-03 16:36:02
1794
原创 机器学习-卷积神经网络之深度残差网络（三）
背景介绍：MNIST数据集识别黑白的手写数字图片，不适合彩色模型的RGB三通道图片。用深度残差网络学习多通道图片。简单介绍一下深度残差网络：普通的深度网络随着网络深度的加深，拟合效果可能会越来越好，也可能会变差，换句话说在不停地学习，但是有可能学歪了。本次介绍的深度残差网络最后输出H(x)=x+f(x)。其中x是本层网络的输入，f(x)是本层网络的输出，H(x)是最终得到的结果。由以上公式可以表明，最终结果包含输入x，也就是说不论怎么学习，起码效果不会变差，不会学歪。x和f(x)之间的变
2022-04-03 15:23:42
2333
原创 机器学习-卷积神经网络MNIST实战（二）
MNIST数据集的提出以及识别最早应用于邮票编码识别任务中，其主要内容就是通过机器学习来完成对数字的准确识别。本文实例方法是使用的TensorFlow框架，使用的编译软件是pycharm，大家自行下载安装。大家可以耐心观看代码，本代码实测能跑通，基本每一行都有注释，重要的地方以及易混淆的地方都会有展开解释。目录1.引入数据集：2.构建卷积神经网络：3.循环训练：
2022-04-02 15:28:13
1134
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