tensorflow
文章平均质量分 95
wyl1813240346
这个作者很懒,什么都没留下…
展开
-
TensorFlow实战Google深度学习框架第一章总结
机器学习定义: 如果一个程序可以在任务T上,随着经验E的增加,效果P也随之增加,则称这个程序可以从经验中学习。 例如:假设一个判断邮件是否为垃圾邮件的程序,则对应的任务T为给定一个邮件,分类这个邮件是否为垃圾邮件;经验E为给定的已经知道的邮件的标签;性能P这个程序正确分类垃圾邮件和非垃圾邮件的数量或者比率。 逻辑回归算法性能的影响因素: 1.依赖于训练数据;2.依赖于从数据中提取的特征原创 2017-10-25 20:40:23 · 331 阅读 · 0 评论 -
TensorFlow实战Google深度学习框架第三章总结
该文主要是总结了Tensorflow实战Google深度学习框架的第三章,修正了代码中一些不存在函数的修改。原创 2017-10-25 20:45:47 · 1819 阅读 · 0 评论 -
tensorflow实现多层感知机
在前面的博客中我们已经讨论过softmax实现分类的例子,该模型最大的特点是简单易用,但是拟合能力不强。它和传统意义上的神经网络的最大区别是没有隐含层。 对于神经网络来说,引入非线性隐含层后,理论上只要隐含节点足够多,即使只有一个隐含层的神经网络也可以拟合任意函数。同时隐含层越多,越容易拟合复杂函数。理论表明,为了拟合复杂函数需要的隐含节点的数目,基本上随着隐含层的数量增加呈现指数下降的趋势。这...原创 2018-04-09 10:58:48 · 2311 阅读 · 1 评论 -
tensorflow实战 Softmax Regression识别手写体数字
首先介绍一下MNIST数据集: MNIST数据集中每个图像是28*28像素大小的灰度图像,空白部分灰度值为0,有笔记的地方灰度值为(0,1]的取值,其中MNIST数据集中,训练样本为55000个,测试样本为10000个,验证集样本为5000个,每一个样本都有其对应的标签信息,即label。它们的图像如下图所示。它们各自的作用为,在训练集上训练模型;在验证集上检验结果并决定何时完成训练;在测试集上...原创 2018-03-27 21:39:08 · 2015 阅读 · 0 评论 -
TensorFlow实现自编码器
自编码器介绍: 深度学习可以解决一些人工难以提取有效特征的问题。在深度学习的早期,它一直被认为是一种无监督特征学习的方法。对于深度学习用于特征学习有两个关键点: 1)无监督学习,即不需要标注的数据就可以对数据进行一定程度的学习,提取频繁出现的特征; 2)逐层抽象,即从简单的微观的特征开始,不断抽象特征的层级,逐渐往复杂的宏观特征转变。例如以汽车图片为例,深度学习的特征学习过程为:将一张图片的...原创 2018-04-04 14:32:48 · 1385 阅读 · 0 评论 -
tensorflow实现卷积神经网络
卷积神经网络的简介: 相对于传统的图像分类,卷积神经网络(Convolutional Neural Network, CNN)提取的特征能够达到很好的效果,同时不需要将特征提取和分类训练两个过程分开。 CNN的构成: (1)输入层,在CNN中,输入层与全连接网络的输入层类似,是一张图像的像素矩阵。 (2)卷积层,它是CNN中最重要的组成部分,卷积层中每一个节点的输入只是上一层神经网络的一小...原创 2018-04-17 11:03:32 · 3814 阅读 · 0 评论