alex_bn_lee

摘要： 参考：Python深度学习 P89 目录 定义问题，收集数据集 选择衡量成功的指标 确定评估方法 准备数据 开发比基准更好的模型 扩大模型规模：开发过拟合的模型 模型正则化与调节超参数 一、定义问题，收集数据集 首先，你必须定义所面对的问题。 你的输入数据是什么？你要预测什么？ 你面对的是什么类型的 阅读全文

摘要： 获取更多的训练数据 减小网络的容量（层数，神经元数量） 添加权重正则化（l1 和 l2） 添加 dropout 添加正则化来防止 overfitting 一种常见的降低 overfitting 的方法就是强制让模型权重只能取较小的值，从而限制模型的复杂度，这使得权重值的分布更加规则（regular） 阅读全文

摘要： 目录： 一、相关函数说明 imdb.load_data() numpy array 可以通过 list 将所有索引赋值 善用 enumerate 函数 通过 numpy.array 来对比两个列表相似性 标签为整数，用 sparse_categorical_crossentropy 损失函数 num 阅读全文

摘要： 参考：Keras-递归层Recurrent官方说明 参考：Keras-Bidirectional包装器官方说明 LSTM(units=32, input_shape=(10, 64)) units=32：输出神经元个数 input_shape=(10, 64)：输入数据形状，10 代表时间序列的长度 阅读全文

摘要： 参考：Keras 实现 LSTM 参考：Keras-递归层Recurrent官方说明 参考：GitHub - Keras LSTM 参考：GitHub - Keras BiLSTM LSTM 是优秀的循环神经网络 (RNN) 结构，而 LSTM 在结构上也比较复杂，对 RNN 和 LSTM 还稍有疑 阅读全文