随笔分类 - 4_深度学习（keras、tersorflow2、数据集、pytorch、深度学习花书等）
摘要：《python深度学习》笔记 6.4、用卷积神经网络处理序列 一、总结 一句话总结： 【卷积神经网络提取特征所以在计算机视觉表现出色】：卷积神经网络（convnet），并知道它在计算机视觉问题上表现出色，原因 在于它能够进行卷积运算，从局部输入图块中提取特征，并能够将表示模块化，同时可以高效 地利用
阅读全文
摘要：《python深度学习》笔记 6.3、循环神经网络的高级用法 一、总结 一句话总结： 循环dropout（recurrent dropout）：这是一种特殊的内置方法，在循环层中使用dropout 来降低过拟合。 堆叠循环层（stacking recurrent layers）：这会提高网络的表示能
阅读全文
摘要：《python深度学习》笔记 6.2-3、循环神经网络-理解LSTM层和GRU层 一、总结 一句话总结： SimpleRNN 并不是Keras 中唯一可用的循环层，还有另外两个：LSTM 和 GRU。在实践中 总会用到其中之一，因为 SimpleRNN 通常过于简化，没有实用价值。 1、Simple
阅读全文
摘要：《python深度学习》笔记 6.2-2、循环神经网络-IMDB电影评论分类实例 一、总结 一句话总结： model.add(Embedding(max_features, 32)) model.add(SimpleRNN(32)) model.add(Dense(1, activation='si
阅读全文
摘要：《python深度学习》笔记 6.1-3、word embedding-使用预训练的词嵌入 一、总结 一句话总结： 【将文本转换为能处理的格式】：将原始文本转换为神经网络能够处理的格式。 【Keras 模型的 Embedding 层】：使用 Keras 模型的 Embedding 层来学习针对特定任
阅读全文
摘要：《python深度学习》笔记 6.1-2、word embedding-利用 Embedding 层学习词嵌入 一、总结 一句话总结： 【考虑到仅查看每条评论的前 20 个单词】：得到的验证精度约为 76%，考虑到仅查看每条评论的前 20 个单词，这个结果还是相当不错 的。 【没有考虑单词之间的关系
阅读全文
摘要：《python深度学习》笔记 6.1、word embedding 一、总结 一句话总结： 将单词与向量相关联还有另一种常用的强大方法，就是使用密集的词向量（word vector）， 也叫词嵌入（word embedding）。 1、词向量和词嵌入的关系？ 词向量（word vector）也叫词嵌
阅读全文
摘要：《python深度学习》笔记 6.1、one-hot-encoding 一、总结 一句话总结： 用的texts_to_matrix方法：one_hot_results = tokenizer.texts_to_matrix(samples, mode='binary') 这里的one-hot是bin
阅读全文
摘要：《python深度学习》笔记 6、文本和序列 一、总结 一句话总结： 循环神经网络（recurrent neural network）和一维卷积神经网络（1D convnet）：可以用来处理文本和序列的问题。 1、用于处理序列的两种基本的深度学习算法分别是 什么？ 循环神经网络（recurrent
阅读全文
摘要：《python深度学习》笔记 6、理解 n-gram 和词袋 一、总结 一句话总结： 【不保存顺序的分词方法】：词袋是一种不保存顺序的分词方法（生成的标记组成一个集合，而不是一个序列，舍 弃了句子的总体结构），因此它往往被用于浅层的语言处理模型，而不是深度学习模型。 二元语法（2-grams）集合：
阅读全文
摘要：《python深度学习》笔记 5.4-3、卷积网络可视化-热力图 一、总结 一句话总结： 【一张图像的哪一部分让卷积神经网络做出了最终的分类决策】：可视化类激活的热力图，它有助于了解一张图像的哪一部分让卷积神经网络做出了 最终的分类决策。这有助于对卷积神经网络的决策过程进行调试，特别是出现分类错误的
阅读全文
摘要：《python深度学习》笔记 5.4-2、卷积网络可视化-过滤器 一、总结 一句话总结： 【每一层都学习一组过滤器】：卷积神经网络中每一层都学习一组过滤器，以便将其输入表示为过滤器的组合。 【过滤器变得越来越复杂，越来越精细】：这类似于傅里叶变换将信号分解为一 组余弦函数的过程。随着层数的加深，卷积
阅读全文
摘要：《python深度学习》笔记 5.4-1、卷积网络可视化-可视化中间激活 一、总结 一句话总结： 【更高的层激活包含关于特定输入的信息越来越少，而关于目标的信息越来越多】：随着层数的加深，层所提取的特征变得越来越抽象。更高的层激活包含关于特定输入的信息越来越少，而关于目标的 信息越来越多（本例中即图
阅读全文
摘要：《python深度学习》笔记 5.3-4、猫狗分类（使用预训练网络-微调模型） 一、总结 一句话总结： 【微调是指将预训练网络的前几层解冻】：微调是指将预训练网络的前几层解冻，在猫狗分类的例子中，可以看到准确率从90到94，提高了4个百分点 【先训练好分类层】：微调的话，注意先把dense层（分类层
阅读全文
摘要：《python深度学习》笔记 5.3-3、猫狗分类（使用预训练网络-数据增强的特征提取） 一、总结 一句话总结： 其实就是把vgg16对应的conv_base像层一样放到Sequential中，然后对图片进行数据增强即可 model.add(conv_base) from tensorflow.ke
阅读全文
摘要：《python深度学习》笔记 5.3-2、猫狗分类（使用预训练网络-实战） 一、总结 一句话总结： 【卷积就是特征提取】：从预训练网络训练猫狗分类，可以更加方便的理解卷积层就是特征提取 【使用预训练网络效果非常好】：我们的验证精度达到了约90%，比上一节从头开始训练的小型模型效果要好得多。但从图 中
阅读全文
摘要：keras读取后缀名为.h5的文件 一、总结 一句话总结： 【hdf5存储，get_weights的函数可以查看】：Keras的模型是用hdf5存储的，如果想要查看模型，keras提供了get_weights的函数可以查看： for layer in model.layers: weights =
阅读全文
摘要：《python深度学习》笔记 5.3-1、猫狗分类（使用预训练网络） 一、总结 一句话总结： 【小型图像数据集】：想要将深度学习应用于小型图像数据集，一种常用且非常高效的方法是使用预训练网络。 【用卷积层提取的特征】：使用在ImageNet 上训练的VGG16 网络的卷积基从 猫狗图像中提取有趣的特
阅读全文
摘要：model.fit中的validation_data的作用 一、总结 一句话总结： Data on which to evaluate the loss and any model metrics at the end of each epoch. Data on which to evaluate
阅读全文
摘要：tensorflow:Your input ran out of data; interrupting training. Make sure that your dataset or generator can generate at least steps_per_epoch * epochs
阅读全文
浙公网安备 33010602011771号