tensorflow
weiyuyulu
这个作者很懒,什么都没留下…
展开
-
(tensorflow)mnist数据集上的应用(一)
mnist数据集应用原创 2017-12-22 11:26:44 · 413 阅读 · 0 评论 -
(tensorflow)mnist数据集上的应用(二)
特征是可以不断转化为高一级的特征,加入有很多标注的数据,则可以训练一个深层的神经网络。 如果没有标注的数据,可以使用无监督的自编码器来提取特征。 自编码器,即可以使用自身的高阶特征编码自己。输入和输出也是一致的,借助稀疏编码的思想,目标是使用稀疏的一些高阶特征重新组合来重构自己。 特点是:第一,希望输入/输出保持一致; 第二,希望使用少量字数的高阶特征来重构自己,而不只是复制像素点。1>限制原创 2017-12-24 19:13:34 · 292 阅读 · 0 评论 -
(tensorflow)mnist数据集上的应用(三)
tensorflow使用多层感知器,要给神经网络加上隐含层,如下分别给出一层隐含层与两层隐含层的代码实现。只有一层隐含层。from tensorflow.examples.tutorials.mnist import input_dataimport tensorflow as tfmnist = input_data.read_data_sets("MNIST_data/", one_hot=原创 2017-12-24 19:17:22 · 225 阅读 · 0 评论 -
(tensorflow)mnist数据集上的应用(四)
在深度学习出现之前,必须借助SIFT、HoG等算法提取具有良好区分性的特征,再集合SVM等机器学习算法进行图像识别。 而卷积神经网络(CNN)提取的特征可以达到更好的效果,同时它不需要将特征提取和分类训练两个过程分开,在训练时就自动提取最有效的特征。CNN可以直接使用图像的原始像素作为输入,而不必使用SIFT等算法提取特征,减轻了传统算法必须要做的大量重复、繁琐的数据预处理工作。 CNN最大的特原创 2017-12-24 19:37:11 · 422 阅读 · 0 评论