以太坊白皮书
摘要：艾伯特AI人工智能（公众号：aibbtcom）按：
以太坊（Ethereum ）:下一代智能合约和去中心化应用平台
译者注：中文读者可以到以太坊爱好者社区获取最新的以太坊信息。
当中本聪在2009年1月启动比特币区块链时，他同时向世界引入了两种未经测试的革命性的新概念。第一种就是比特币（bitcoin），一种去中心化的点对点的网上货币，在没有任何资产担保、内在价值或者中心发行者的情况下维持着价值。到目前为止，比特币已经吸引了大量的公众注意力, 就政治方面而言它是一种没有中央银行的货币并且有着剧烈的价格波动。然而，中本聪的伟大试验还有与比特币同等重要的一部分：基于工作量证明的区块链概念使得人们可以就交易顺序达成共识。作为应用的比特币可以被描述为一个先申请（first-to-file）系统：如果某人有50BTC并且同时向A和B发送这50BTC，只有被首先被确认的交易才会生效。没有固有方法可以决定两笔交易哪一笔先到，这个问题阻碍了去中心化数字货币的发展许多年。中本聪的区块链是第一个可靠的去中心化解决办法。现在，开发者们的注意力开始迅速地转向比特币技术的第二部分，区块链怎样应用于货币以外的
阅读全文
posted @
2018-03-19 10:15
aibbt_com
阅读(373)
推荐(0)
区块链技术教程，如何从零开始学习以太坊及区块链
摘要：很多人迷惑于区块链和以太坊，不知如何学习，本文简单说了一下学习的一些方法和资源。
一、 以太坊和区块链的关系
从区块链历史上来说，先诞生了比特币，当时并没有区块链这个技术和名词，然后业界从比特币中提取了技术架构和体系，称之为区块链技术。从比特币提取的区块链技术称之为区块链1.0时代，那个时候的应用主要以电子货币和去中心化交易为主，比如各种山寨币。而以太坊将区块链带入了2.0的时代，区块链2.0不是推翻了1.0，而是在1.0的基础上实现了区块知晓、价值知晓、图灵完备，并进行了细节优化，从而形成了以智能合约为特色的区块链2.0。比特币定位于一个应用，而以太坊定位于平台，你可以在这个平台上利用智能合约做各种应用。
所以，学习区块链，直接学习以太坊就好了
以太坊知识库：http://www.aibbt.com/a/ethereum/
二、 以太坊入门的方法
对于没有接触过区块链的人，建议先参会以太坊的日常应用。
1、 使用客户端
这里的教程很多，推荐一个以太坊钱包教程
2、
阅读全文
posted @
2018-03-18 22:06
aibbt_com
阅读(927)
推荐(0)
Intel免费AI课程三部曲：机器学习、深度学习以及TensorFlow基础
摘要：Intel免费AI课程三部曲：机器学习、深度学习以及TensorFlow基础
阅读全文
posted @
2018-03-14 21:50
aibbt_com
阅读(1914)
推荐(0)
15 分钟教你使用机器学习破解一个验证码系统-干货超详细讲解
摘要：人人都恨验证码——那些恼人的图片，显示着你在登陆某网站前得输入的文本。设计验证码的目的是，通过验证你是真实的人来避免电脑自动填充表格。但是随着深度学习和计算机视觉的兴起，现在验证码常常易被攻破。
我拜读了 Adrian Rosebrock 写的《Deep Learning for Computer Vision with Python》。在书中，Adrian 描述了他是怎样用机器学习绕过纽约 E-ZPass 网站上的验证码：
阅读全文
posted @
2018-03-12 17:22
aibbt_com
阅读(2997)
推荐(0)
人工智能(AI)学习资料库
摘要：人工智能(AI)学习资料库每周更新，请Ctrl+D保存到收藏夹，方便及时获取最新学习资料。
吐血整理：人工智能PDF中文教材资源包2.73G基本包含全部学习资料-人工智能学习书单
Python机器学习中文版(Python Machine Learning)
Step by Step 真正从零开始，TensorFlow详细安装入门图文教程！帮你完成那个最难的从0到1
TensorFlow 官方文档中文版
人工智能 一种现代的方法（第3版）
史上最全人工智能英文原版PDF教材1.03G资源包Artificial Intelligence
资源|28本必读的经典机器学习/数据挖掘书籍（免费下载）
人工智能入门书单（附PDF链接）
工学博士珍藏的人工智能进阶书单（附PDF链接）
TensorFlow教程
Python教程
Python3教程
Django教程
Linux教程
Node.js教程
阅读全文
posted @
2018-03-12 12:48
aibbt_com
阅读(898)
推荐(0)
Python机器学习：5.8 映射新的数据点
摘要：在前面的两个例子中，我们将原始的数据集映射到新的特征空间。不过在实际应用中，我们常常需要将多个数据集转换，比如训练集和测试集，还有可能在训练好模型后，又收集到的新数据。在本节，你将学习如何将不属于训练集的数据进行映射。
还记得在标准PCA中，我们通过计算 转换矩阵*输入样本，得到映射后的数据。转换矩阵的每一列是我们从协方差矩阵中得到的k个特征向量。现在，如何将这种思路应用到核PCA？在核PCA中，我们得到的特征向量来自归一化的核矩阵(centered kernel matrix)，而不是协方差矩阵，这意味着样本已经被映射到主成分轴Python机器学习：5.8 映射新的数据点.因此，如果我们要把一个新样本Python机器学习：5.8 映射新的数据点 映射到主成分轴，我们要按照下式:
Python机器学习：5.8 映射新的数据点
上式怎么算？当然不好算，好在我们还有核技巧，所以可以避免直接计算Python机器学习：5.8 映射新的数据点。
和标准PCA不同的是，核PCA是一种基于内存的方法，这是什么意思呢？意思是每次对新样本进行映射时就要用到所有的训练集。因为要计算
阅读全文
posted @
2018-03-12 12:25
aibbt_com
阅读(751)
推荐(0)
Python机器学习：6.4 通过网格搜索调参
摘要：机器学习算法中有两类参数：从训练集中学习到的参数，比如逻辑斯蒂回归中的权重参数，另一类是模型的超参数，也就是需要人工设定的参数，比如正则项系数或者决策树的深度。
前一节，我们使用验证曲线来提高模型的性能，实际上就是找最优参数。这一节我们学习另一种常用的超参数寻优算法：网格搜索(grid search)。
网格搜索听起来高大上，实际上简单的一笔，就是暴力搜索而已，我们事先为每个参数设定一组值，然后穷举各种参数组合，找到最好的那一组。
Python机器学习：6.4 通过网格搜索调参
GridSearchCV中param_grid参数是字典构成的列表。对于线性SVM，我们只评估参数C；对于RBF核SVM，我们评估C和gamma。
最后， 我们通过best_parmas_得到最优参数组合。
sklearn人性化的一点是，我们可以直接利用最优参数建模(best_estimator_)：
Python机器学习：6.4 通过网格搜索调参
Note 网格搜索虽然不错，但是穷举过于耗时，sklearn中还实现了随机搜索，使用 RandomizedSearc
阅读全文
posted @
2018-03-12 11:48
aibbt_com
阅读(4820)
推荐(0)
Python机器学习：6.2 K折交叉验证评估模型性能
摘要：训练机器学习模型的关键一步是要评估模型的泛化能力。如果我们训练好模型后，还是用训练集取评估模型的性能，这显然是不符合逻辑的。一个模型如果性能不好，要么是因为模型过于复杂导致过拟合(高方差)，要么是模型过于简单导致导致欠拟合(高偏差)。可是用什么方法评价模型的性能呢？这就是这一节要解决的问题，你会学习到两种交叉验证计数，holdout交叉验证和k折交叉验证， 来评估模型的泛化能力。
holdout method
评估模型泛化能力的典型方法是holdout交叉验证(holdout cross validation)。holdout方法很简单，我们只需要将原始数据集分割为训练集和测试集，前者用于训练模型，后者用于评估模型的性能。
不过，在训练模型这一步，我们非常关心如何选择参数来提高模型的预测能力，而选择参数这一步被称为模型选择(model selection，译者注：不少资料将选择何种模型算法称为模型选择)，参数选择是非常重要的，因为对于同一种机器学习算法，如果选择不同的参数(超参数)，模型的性能会有很大差别。
如果在模型选择的过程中，我们始终用测试集来评价模型性能，这
阅读全文
posted @
2018-03-12 11:48
aibbt_com
阅读(16089)
推荐(0)
Python机器学习：6.5 通过嵌套交叉验证选择算法
摘要：结合k折交叉验证和网格搜索是调参的好手段。可是如果我们想从茫茫算法中选择最合适的算法，用什么方法呢？这就是本节要介绍的嵌套交叉验证(nested cross validation)。 Varma和Simon在论文Bias in Error Estimation When Using Cross-validation for Model Selection中指出使用嵌套交叉验证得到的测试集误差几乎就是真实误差。
+
嵌套交叉验证外层有一个k折交叉验证将数据分为训练集和测试集。还有一个内部交叉验证用于选择模型算法。下图演示了一个5折外层交叉沿则和2折内部交叉验证组成的嵌套交叉验证，也被称为5*2交叉验证：
Python机器学习：6.5 通过嵌套交叉验证选择算法
sklearn中可以如下使用嵌套交叉验证：
Python机器学习：6.5 通过嵌套交叉验证选择算法
我们使用嵌套交叉验证比较SVm和决策树分类器：
Python机器学习：6.5 通过嵌套交叉验证选择算法
Python机器学习中文版目录（http://www.aibbt.com/a/2078
阅读全文
posted @
2018-03-12 11:47
aibbt_com
阅读(1095)
推荐(0)
Python机器学习中文版
摘要：Python机器学习简介
第一章 让计算机从数据中学习
将数据转化为知识
三类机器学习算法
第二章 训练机器学习分类算法
透过人工神经元一窥早期机器学习历史
使用Python实现感知机算法
基于Iris数据集训练感知机模型
自适应线性神经元及收敛问题
Python实现自适应线性神经元
大规模机器学习和随机梯度下降
第三章 使用Scikit-learn进行分类器之旅
如何选择合适的分类器算法
scikit-learn之旅
逻辑斯蒂回归对类别概率建模
使用正则化解决过拟合
支持向量机
使用松弛变量解决非线性可分的情况
使用核SVM解决非线性问题
决策树学习
最大信息增益
构建一棵决策树
随机森林
k近邻
阅读全文
posted @
2018-03-12 00:06
aibbt_com
阅读(1924)
推荐(0)
Python机器学习 （Python Machine Learning 中文版 PDF）
摘要：Python机器学习介绍（Python Machine Learning 中文版）
机器学习，如今最令人振奋的计算机领域之一。看看那些大公司，Google、Facebook、Apple、Amazon早已展开了一场关于机器学习的军备竞赛。从手机上的语音助手、垃圾邮件过滤到逛淘宝时的物品推荐，无一不用到机器学习技术。
如果你对机器学习感兴趣，甚至是想从事相关职业，那么这本书非常适合作为你的第一本机器学习资料。市面上大部分的机器学习书籍要么是告诉你如何推导模型公式要么就是如何代码实现模型算法，这对于零基础的新手来说，阅读起来相当困难。而这本书，在介绍必要的基础概念后，着重从如何调用机器学习算法解决实际问题入手，一步一步带你入门。即使你已经对很多机器学习算法的理论很熟悉了，这本书仍能从实践方面带给你一些帮助。
具体到编程语言层面，本书选择的是Python，因为它简单易懂。我们不必在枯燥的语法细节上耗费时间，一旦有了想法，你能够快速实现算法并在真实数据集上进行验证。在整个数据科学领域，Python都可以说是稳坐语言榜头号交椅。
最后，我没有本书的翻译版权，请勿商用。转载请
阅读全文
posted @
2018-03-11 22:43
aibbt_com
阅读(18414)
推荐(0)
Python Cookbook(第3版)中文版：15.14 传递Unicode字符串给C函数库
摘要：15.14 传递Unicode字符串给C函数库¶
问题¶
你要写一个扩展模块，需要将一个Python字符串传递给C的某个库函数，但是这个函数不知道该怎么处理Unicode。
解决方案¶
这里我们需要考虑很多的问题，但是最主要的问题是现存的C函数库并不理解Python的原生Unicode表示。
因此，你的挑战是将Python字符串转换为一个能被C理解的形式。
为了演示的目的，下面有两个C函数，用来操作字符串数据并输出它来调试和测试。
一个使用形式为 char *, int 形式的字节，
而另一个使用形式为 wchar_t *, int 的宽字符形式：
void print_chars(char *s, int len) {
int n = 0;
while (n < len) {
printf("%2x ", (unsigned char) s[n]);
n++;
}
printf("\n");
}
void print_wchars(wchar_t *s, int len) {
int n = 0;
while (n <
阅读全文
posted @
2018-03-10 23:54
aibbt_com
阅读(682)
推荐(0)
Python Cookbook(第3版)中文版：15.15 C字符串转换为Python字符串
摘要：15.15 C字符串转换为Python字符串¶
问题¶
怎样将C中的字符串转换为Python字节或一个字符串对象？
解决方案¶
C字符串使用一对 char * 和 int 来表示，
你需要决定字符串到底是用一个原始字节字符串还是一个Unicode字符串来表示。
字节对象可以像下面这样使用 Py_BuildValue() 来构建：
char *s; /* Pointer to C string data */
int len; /* Length of data */
/* Make a bytes object */
PyObject *obj = Py_BuildValue("y#", s, len);
如果你要创建一个Unicode字符串，并且你知道 s 指向了UTF-8编码的数据，可以使用下面的方式：
PyObject *obj = Py_BuildValue("s#", s, len);
如果 s 使用其他编码方式，那么可以像下面使用 PyUnicode_Decode() 来构建一个字符串：
PyObj
阅读全文
posted @
2018-03-10 23:52
aibbt_com
阅读(464)
推荐(0)
Python Cookbook(第3版)中文版：15.16 不确定编码格式的C字符串
摘要：15.16 不确定编码格式的C字符串¶
问题¶
你要在C和Python直接来回转换字符串，但是C中的编码格式并不确定。
例如，可能C中的数据期望是UTF-8，但是并没有强制它必须是。
你想编写代码来以一种优雅的方式处理这些不合格数据，这样就不会让Python奔溃或者破坏进程中的字符串数据。
解决方案¶
下面是一些C的数据和一个函数来演示这个问题：
/* Some dubious string data (malformed UTF-8) */
const char *sdata = "Spicy Jalape\xc3\xb1o\xae";
int slen = 16;
/* Output character data */
void print_chars(char *s, int len) {
int n = 0;
while (n < len) {
printf("%2x ", (unsigned char) s[n]);
n++;
}
printf("\n");
}
在这个代码中，字符串 sdata 包含了UTF-8和不合格数据。
阅读全文
posted @
2018-03-10 23:51
aibbt_com
阅读(388)
推荐(0)
Python Cookbook(第3版)中文版：15.17 传递文件名给C扩展
摘要：15.17 传递文件名给C扩展¶
问题¶
你需要向C库函数传递文件名，但是需要确保文件名根据系统期望的文件名编码方式编码过。
解决方案¶
写一个接受一个文件名为参数的扩展函数，如下这样：
static PyObject *py_get_filename(PyObject *self, PyObject *args) {
PyObject *bytes;
char *filename;
Py_ssize_t len;
if (!PyArg_ParseTuple(args,"O&", PyUnicode_FSConverter, &bytes)) {
return NULL;
}
PyBytes_AsStringAndSize(bytes, &filename, &len);
/* Use filename */
...
/* Cleanup and return */
Py_DECREF(bytes)
Py_RETURN_NONE;
}
如果你已经有了一个 PyObject *
阅读全文
posted @
2018-03-10 23:46
aibbt_com
阅读(211)
推荐(0)
Python Cookbook(第3版)中文版：15.18 传递已打开的文件给C扩展
摘要：15.18 传递已打开的文件给C扩展¶
问题¶
你在Python中有一个打开的文件对象，但是需要将它传给要使用这个文件的C扩展。
解决方案¶
要将一个文件转换为一个整型的文件描述符，使用 PyFile_FromFd() ，如下：
PyObject *fobj; /* File object (already obtained somehow) */
int fd = PyObject_AsFileDescriptor(fobj);
if (fd < 0) {
return NULL;
}
结果文件描述符是通过调用 fobj 中的 fileno() 方法获得的。
因此，任何以这种方式暴露给一个描述器的对象都适用（比如文件、套接字等）。
一旦你有了这个描述器，它就能被传递给多个低级的可处理文件的C函数。
如果你需要转换一个整型文件描述符为一个Python对象，适用下面的 PyFile_FromFd() :
int fd; /* Existing file descriptor (already open) */
PyObject *fobj = Py
阅读全文
posted @
2018-03-10 23:45
aibbt_com
阅读(335)
推荐(0)
Python Cookbook(第3版)中文版：15.19 从C语言中读取类文件对象
摘要：15.19 从C语言中读取类文件对象¶
问题¶
你要写C扩展来读取来自任何Python类文件对象中的数据（比如普通文件、StringIO对象等）。
解决方案¶
要读取一个类文件对象的数据，你需要重复调用 read() 方法，然后正确的解码获得的数据。
下面是一个C扩展函数例子，仅仅只是读取一个类文件对象中的所有数据并将其输出到标准输出：
#define CHUNK_SIZE 8192
/* Consume a "file-like" object and write bytes to stdout */
static PyObject *py_consume_file(PyObject *self, PyObject *args) {
PyObject *obj;
PyObject *read_meth;
PyObject *result = NULL;
PyObject *read_args;
if (!PyArg_ParseTuple(args,"O", &obj)) {
return NULL;
阅读全文
posted @
2018-03-10 23:33
aibbt_com
阅读(204)
推荐(0)
Python Cookbook(第3版)中文版：15.20 处理C语言中的可迭代对象
摘要：15.20 处理C语言中的可迭代对象¶
问题¶
你想写C扩展代码处理来自任何可迭代对象如列表、元组、文件或生成器中的元素。
解决方案¶
下面是一个C扩展函数例子，演示了怎样处理可迭代对象中的元素：
static PyObject *py_consume_iterable(PyObject *self, PyObject *args) {
PyObject *obj;
PyObject *iter;
PyObject *item;
if (!PyArg_ParseTuple(args, "O", &obj)) {
return NULL;
}
if ((iter = PyObject_GetIter(obj)) == NULL) {
return NULL;
}
while ((item = PyIter_Next(iter)) != NULL) {
/* Use item */
...
Py_DECREF(item);
}
Py_DECREF(it
阅读全文
posted @
2018-03-10 23:29
aibbt_com
阅读(187)
推荐(0)
Python Cookbook(第3版)中文版：15.21 诊断分段错误
摘要：http://www.aibbt.com/a/20118.html
阅读全文
posted @
2018-03-10 23:27
aibbt_com
阅读(223)
推荐(0)
Theano环境搭建/安装
摘要：关键词：theano安装，搭建theano环境, python, 深度学习
因为需要安装theano，结果发现这又是一个难以安装的python包…虽然网上教程不少，然而鱼龙混杂，试验了各种方法流程，最后总算是弄好了，现在把我的过程总结如下：
安装环境
64位win7系统，显卡：GT 730M，笔记本电脑；
已安装Visual Studio 2013 （都说VS2015太新不推荐）；
借助Anaconda来安装theano，因为Anaconda已经集成了很多有用的python库，如numpy、nose、scipy等，强烈推荐。
阅读全文
posted @
2018-03-10 20:25
aibbt_com
阅读(3085)
推荐(0)
Keras官方中文文档：keras后端Backend
摘要：Keras官方中文文档：keras后端Backend
阅读全文
posted @
2018-03-10 20:17
aibbt_com
阅读(4566)
推荐(0)
Keras官方中文文档：函数式模型API
摘要：函数式模型接口
为什么叫“函数式模型”，请查看“Keras新手指南”的相关部分
Keras的函数式模型为Model，即广义的拥有输入和输出的模型，我们使用Model来初始化一个函数式模型
from keras.models import Model
from keras.layers import Input, Dense
a = Input(shape=(32,))
b = Dense(32)(a)
model = Model(inputs=a, outputs=b)
在这里，我们的模型以a为输入，以b为输出，同样我们可以构造拥有多输入和多输出的模型
model = Model(inputs=[a1, a2], outputs=[b1, b3, b3])
常用Model属性
阅读全文
posted @
2018-03-10 17:04
aibbt_com
阅读(615)
推荐(0)
Keras官方中文文档：序贯模型API
摘要：常用Sequential属性
model.layers是添加到模型上的层的list
Sequential模型方法
add
add(self, layer)
向模型中添加一个层
layer: Layer对象
阅读全文
posted @
2018-03-10 17:02
aibbt_com
阅读(297)
推荐(0)
Keras官方中文文档：关于Keras模型
摘要：关于Keras模型
Keras有两种类型的模型，序贯模型（Sequential）和函数式模型（Model），函数式模型应用更为广泛，序贯模型是函数式模型的一种特殊情况。
两类模型有一些方法是相同的：
model.summary()：打印出模型概况，它实际调用的是keras.utils.print_summary
model.get_config():返回包含模型配置信息的Python字典。模型也可以从它的config信息中重构回去
阅读全文
posted @
2018-03-10 17:01
aibbt_com
阅读(299)
推荐(0)
Keras官方中文文档：序贯模型
摘要：快速开始序贯（Sequential）模型
序贯模型是多个网络层的线性堆叠，也就是“一条路走到黑”。
可以通过向Sequential模型传递一个layer的list来构造该模型：
from keras.models import Sequential
from keras.layers import Dense, Activation
model = Sequential([
Dense(32, units=784),
Activation('relu'),
Dense(10),
Activation('softmax'),
])
阅读全文
posted @
2018-03-10 16:57
aibbt_com
阅读(457)
推荐(0)
Keras官方中文文档：Keras安装和配置指南(Windows)
摘要：这里需要说明一下，笔者不建议在Windows环境下进行深度学习的研究，一方面是因为Windows所对应的框架搭建的依赖过多，社区设定不完全；另一方面，Linux系统下对显卡支持、内存释放以及存储空间调整等硬件功能支持较好。如果您对Linux环境感到陌生，并且大多数开发环境在Windows下更方便操作的话，希望这篇文章对您会有帮助。
阅读全文
posted @
2018-03-10 16:54
aibbt_com
阅读(1182)
推荐(0)
Keras官方中文文档：Keras安装和配置指南(Linux)
摘要：推荐配置
如果您是高校学生或者高级研究人员，并且实验室或者个人资金充沛，建议您采用如下配置：
主板：X299型号或Z270型号
CPU: i7-6950X或i7-7700K 及其以上高级型号
内存：品牌内存，总容量32G以上，根据主板组成4通道或8通道
SSD： 品牌固态硬盘，容量256G以上
显卡：NVIDIA GTX TITAN(XP) NVIDIA GTX 1080ti、NVIDIA GTX TITAN、NVIDIA GTX 1080、NVIDIA GTX 1070、NVIDIA GTX 1060 (顺序为优先建议，并且建议同一显卡，可以根据主板插槽数量购买多块，例如X299型号主板最多可以采用×4的显卡)
电源：由主机机容量的确定，一般有显卡总容量后再加200W即可
阅读全文
posted @
2018-03-10 16:49
aibbt_com
阅读(3514)
推荐(0)
Keras官方中文文档：常见问题与解答
摘要：如何引用Keras？
如何使Keras调用GPU？
如何在多张GPU卡上使用Keras
"batch", "epoch"和"sample"都是啥意思？
如何保存Keras模型？
为什么训练误差(loss)比测试误差高很多？
如何获取中间层的输出？
如何利用Keras处理超过机器内存的数据集？
当验证集的loss不再下降时，如何中断训练？
验证集是如何从训练集中分割出来的？
训练数据在训练时会被随机洗乱吗？
如何在每个epoch后记录训练/测试的loss和正确率？
如何使用状态RNN（statful RNN）？
如何“冻结”网络的层？
如何从Sequential模型中去除一个层？
如何在Keras中使用预训练的模型
如何在Keras中使用HDF5输入？
Keras的配置文件存储在哪里？
在使用Keras开发过程中，我如何获得可复现的结果？
阅读全文
posted @
2018-03-10 16:44
aibbt_com
阅读(686)
推荐(0)
TensorLayer官方中文文档1.7.4：API – 数据预处理
摘要：API - 数据预处理¶
我们提供大量的数据增强及处理方法，使用 Numpy, Scipy, Threading 和 Queue。
不过，我们建议你直接使用 TensorFlow 提供的 operator，如 tf.image.central_crop ，更多关于 TensorFlow 的信息请见
这里 和 tutorial_cifar10_tfrecord.py.
这个包的一部分代码来自Keras。
阅读全文
posted @
2018-03-10 16:37
aibbt_com
阅读(1202)
推荐(0)
TensorLayer官方中文文档1.7.4：API – 可视化
摘要：API - 可视化¶
TensorFlow 提供了可视化模型和激活输出等的工具 TensorBoard。
在这里，我们进一步提供一些可视化模型参数和数据的函数
阅读全文
posted @
2018-03-10 16:32
aibbt_com
阅读(1193)
推荐(0)
TensorLayer官方中文文档1.7.4：API – 强化学习
摘要：tensorlayer.rein.discount_episode_rewards(rewards=[], gamma=0.99, mode=0)[源代码]¶
Take 1D float array of rewards and compute discounted rewards for an
episode. When encount a non-zero value, consider as the end a of an episode.
阅读全文
posted @
2018-03-10 16:30
aibbt_com
阅读(988)
推荐(0)
Keras常见问题及解答
摘要：Keras官方中文版文档
如何引用 Keras?
如何在 GPU 上运行 Keras?
如何在多 GPU 上运行 Keras 模型？
"sample", "batch", "epoch" 分别是什么？
如何保存 Keras 模型？
为什么训练集误差比测试集的误差高很多？
如何获取中间层的输出？
如何用 Keras 处理超过内存的数据集？
在验证集的误差不再下降时，如何中断训练？
验证集划分是如何计算的？
在训练过程中数据是否会混洗？
如何在每个 epoch 后记录训练集和验证集的误差和准确率？
如何「冻结」网络层？
如何使用状态 RNNs (stateful RNNs)?
如何从 Sequential 模型中移除一个层？
如何在 Keras 中使用预训练的模型？
如何在 Keras 中使用 HDF5 输入？
Keras 配置文件保存在哪里？
如何在 Keras 开发过程中获取可复现的结果？
阅读全文
posted @
2018-03-09 23:01
aibbt_com
阅读(155)
推荐(0)
深度学习框架： Keras官方中文版文档正式发布
摘要：这一次发布的是 Keras 官方中文文档，它得到了严谨的校对而提升了整体质量。但该项目还在进行中，虽然目前已经上线了很多 API 文档和使用教程，但仍然有一部分内容没有完成。其实早在官方中文文档出现以前，就有开发者构建了 Keras 的中文文档，而且很多读者都在使用 MoyanZitto 等人构建的中文文档。
阅读全文
posted @
2018-03-09 21:34
aibbt_com
阅读(328)
推荐(0)
ArXiv最受欢迎开源深度学习框架榜单：TensorFlow第一，PyTorch第四
摘要：Kears作者François Chollet刚刚在Twitter贴出最近三个月在arXiv提到的深度学习框架，TensorFlow不出意外排名第一，Keras排名第二。随后是Caffe、PyTorch和Theano，再次是MXNet、Chainer和CNTK。
Keras作者François Chollet刚刚在Twitter贴出一张图片，是近三个月来arXiv上提到的深度学习开源框架排行：
阅读全文
posted @
2018-03-09 21:13
aibbt_com
阅读(5723)
推荐(0)
20行代码实现电影评论情感分析
摘要：情感分析有很多的应用场景，比如做一个电商网站，卖家需要时刻关心用户对于商品的评论是否是正面的。再比如做一个电影的宣传和策划，电影在键盘侠们中的口碑也至关重要。互联网上关于任何一个事件或物品都有可能产生成千上万的文本评论，如何定义每一个文本的情绪是正面或是负面的，是一个很有挑战的事情。挑战体现在以下几个方面，区别于结构化数据，评论数据的长短不一，很难限定到固定的维度。另外很难通过某个词判断用户的情绪，举个极端的例子，fu*k通常被认为是贬义词，但是如果一条评论是“傲海 is fu*kinghandsome”，那么其实就是一个正向的意义。本文我要使用IMDB数据集，通过20行的Tensorflow代码实现一个电影评论预测模型，准确率可以超过百分之九十五，里面涉及到一些词袋模型以及embedding的概念，这些我等下一篇文章再讲，这一次我们就讲实践。
阅读全文
posted @
2018-03-09 21:02
aibbt_com
阅读(2045)
推荐(0)
神级程序员：让你的爬虫就像人类的用户行为！ 你敢封我IP吗？
摘要：近期，有些朋友问我一些关于如何应对反爬虫的问题。由于好多朋友都在问，因此决定写一篇此类的博客。把我知道的一些方法，分享给大家。博主属于小菜级别，玩爬虫也完全是处于兴趣爱好，如有不足之处，还望指正。
在互联网上进行自动数据采集（抓取）这件事和互联网存在的时间差不多一样长。今天大众好像更倾向于用“网络数据采集”，有时会把网络数据采集程序称为网络机器人（bots）。最常用的方法是写一个自动化程序向网络服务器请求数据（通常是用 HTML 表单或其他网页文件），然后对数据进行解析，提取需要的信息。
说句实在话，如果我的网站总是让人爬来爬取的，经常被虚拟访问者骚扰，我也是蛮烦的，而且如果遇到“霸道”一点的爬虫，都能直接把服务器卡死。因此，我们在爬取别人网站的时候，也多为对方考虑考虑。不过话说回来，我却没有这个烦恼，为什么呢？因为我根本就没有自己的网站
阅读全文
posted @
2018-03-09 12:28
aibbt_com
阅读(3738)
推荐(2)
【小白学爬虫连载（10）】–如何用Python实现模拟登陆网站
摘要：Python实现模拟登陆的方式简单来说有三种：一、采用post请求提交表单的方式实现。二、利用浏览器登陆网站记录登陆成功后的cookies，采用get的请求方式，传入cookies值来实现登陆。三、采用模拟浏览器的方式登陆。三种方式各有利弊，采用第一种方式每次运行程序都是重新登陆，容易造成封账号的情况出现，同时不能用在验证码是JS加载生成的和查看不到提交表单格式这两种情况。我认为第二种方式优于第一种和第三种，大多数情况下推荐使用第二种。对于较大规模的采集，一般的做法是利用大量小号采用第一或第三种方式定期生成大量的cookies，保存起来形成一个自己的cookie池，并维护其有效性，在采集时调用cookie池中的cookies完成爬取。
阅读全文
posted @
2018-03-09 12:23
aibbt_com
阅读(1567)
推荐(0)
浙公网安备 33010602011771号