biiigwang

摘要： 手写数字识别之优化算法 概述 上一节我们明确了分类任务的损失函数（优化目标）的相关概念和实现方法，本节我们依旧横向展开"横纵式"教学法，如 图1 所示，本节主要探讨在手写数字识别任务中，使得损失达到最小的参数取值的实现方法。 图1：“横纵式”教学法 — 优化算法 前提条件 在优化算法之前，需要进行数 阅读全文

摘要： [手写数字识别]之损失函数 概述 上一节我们尝试通过更复杂的模型（经典的全连接神经网络和卷积神经网络），提升手写数字识别模型训练的准确性。本节我们继续将“横纵式”教学法从横向展开，如 图1 所示，探讨损失函数的优化对模型训练效果的影响。 图1：“横纵式”教学法 — 损失函数优化 **损失函数是模型优 阅读全文

摘要： 网络结构 概述 前几节我们尝试使用与房价预测相同的简单神经网络解决手写数字识别问题，但是效果并不理想。原因是手写数字识别的输入是28 × 28的像素值，输出是0-9的数字标签，而线性回归模型无法捕捉二维图像数据中蕴含的复杂信息，如 图1 所示。无论是牛顿第二定律任务，还是房价预测任务，输入特征和输出 阅读全文

摘要： 算法复杂度分析若干实例 记录leetcode每日一题算法复杂度分析过程： 2020.10.14 查找常用字符 题目链接 == >https://leetcode-cn.com/problems/find-common-characters/ class Solution: def commonCha 阅读全文

摘要： 深度学习模型的通用步骤 数据处理--> 模型设计--> 训练配置--> 训练过程--> 模型保存 正是由于深度学习的建模和训练的过程存在通用性，在构建不同的模型时，只有模型三要素不同，其它步骤基本一致，深度学习框架才有用武之地。 |数据处理 数据处理包含五个部分：数据导入、数据形状变换、数据集划分、 阅读全文

摘要： |数据处理 上一节，我们通过调用飞桨提供的API（paddle.dataset.mnist）加载MNIST数据集。但在工业实践中，我们面临的任务和数据环境千差万别，通常需要自己编写适合当前任务的数据处理程序，一般涉及如下五个环节： 读入数据 划分数据集 生成批次数据 训练样本集乱序 校验数据有效性 阅读全文

摘要： 基于神经网络方法求解RL 项目地址：https://gitee.com/paddlepaddle/PARL/tree/develop/examples/tutorials/lesson3/dqn 1.函数逼近与神经网络 Lesson2中所述Sarsa、Q-learning均建立在Q表格的基础上，实际 阅读全文

摘要： 基于表格法求解RL 中相关概念 含义 S state 状态(observe) A action 动作 R reward 奖励 P probability 状态转移概率 MDP Markov Decision Processes 马尔科夫决策过程(强化学习的基本框架) TD Temporal Diff 阅读全文

摘要： 编程工具 编程语言为python，框架为指定的百度飞浆深度学习框架。对于框架的理解为工具箱，百度飞浆（paddle）提供一系列以python编写的函数，方便快速进行深度学习的应用。 两者存在如下依赖关系：python 3.X（官方建议3.7及以上）--> 第三方科学计算库（Numpy等，此类库独立于 阅读全文

摘要： 今天对ATK-ESP8266这款WIFI模块进行测试，测试工具如下： ATK-ESP8266模块； Win10笔记本电脑； 串口调试助手； USB转TTL模块。 相关知识点： 1.WIFI模块所用到的网络协议包括TCP与UDP，本人也是初次接触到两种协议，最直观的区别在于：TCP分为服务端与客户端， 阅读全文