https://zhuanlan.zhihu.com/p/36570549
使用 a.item()
或 np.asscalar(a)
将大多数NumPy值转换为本机Python类型:
import numpy as np
# examples using a.item()
type(np.float32(0).item()) # <type 'float'>
type(np.float64(0).item()) # <type 'float'>
type(np.uint32(0).item()) # <type 'long'>
# examples using np.asscalar(a)
type(np.asscalar(np.int16(0))) # <type 'int'>
type(np.asscalar(np.cfloat(0))) # <type 'complex'>
type(np.asscalar(np.datetime64(0))) # <type 'datetime.datetime'>
type(np.asscalar(np.timedelta64(0))) # <type 'datetime.timedelta'>
SGD就是根据loss对各个参数的梯度和学习率来进行更新参数的
欠拟合:数量少 迭代次数不足 没有学到足够的特征
过拟合:训练样本过少 特征多 生成模型学到特征的细节过细
迭代次数变少了,每次的计算量变大了
0x00 前言
最近看了一些文章,介绍了深度学习算法在安全领域的应用。可以极大的提高安全产品的检测效率。决定还是要投入精力在这块知识的学习上,昨天刚好看到大佬分享了一份深度学习的教程,在跟进教程的过程中,我顺手记了点东西,于是便有了本篇笔记。
由于我也是刚开始接触这块内容,行文中存在谬误在所难免,还望各位看官多多指正。
0x01 初识深度学习
在笔记的开始,首先要了解3个问题:
什么是人工智能?
什么是机器学习?
什么是深度学习?
先来说说对人工智能的定义吧,人工智能,用于实现模拟人的思考行为,通俗来讲是通过一些算法去解决一些模糊定义的问题。
那机器学习呢?机器学习是人工智能的一个分支,主要是利用一些统计学方法,对数据进行压缩、训练,得到一个精简的模型,利用训练好的模型对未知内容进行处理。
深度学习是机器学习的一个子集,可以追溯到从神经网络发展过来,相比神经网络,深度学习可以把模型做的更深、更复杂。数据量也会更大,同时配合更为强大的计算资源,可以做到更好的训练效果。
0x02 深度学习的应用场景
深度学习技术广泛应用于各个领域,这里介绍几个大家都了解的,且应用深度学习技术的场景:
1、AlphaGo
AlphaGo采用了增强学习的算法,通过大量的模拟、学习、计算,最终可以在围棋竞赛上打赢人类。
2、物体识别
无人驾驶,汽车的摄像头可以识别出前方的人、物体等。对应的是技术是计算机视觉领域的物体识别。
3、语音识别
这块接触的比较多,像各类手机的语音助手、各家IoT厂商推出的智能音箱等。
4、机器翻译
基于深度学习算法,可以提高机器翻译的准确率。
5、推荐系统<