机器学习 - 随笔分类 - 未完代码

TensorFlow 池化层

摘要：在 TensorFlow 中使用池化层在下面的练习中，你需要设定池化层的大小，strides，以及相应的 padding。你可以参考 tf.nn.max_pool()。Padding 与卷积 padding 的原理一样。说明完成 maxpool 函数中所有的 TODO。设定 strides，阅读全文

posted @ 2018-07-04 19:35 未完代码阅读(269) 评论(0) 推荐(0)

TensorFlow的卷积层

摘要：用 TensorFlow 做卷积让我们用所学知识在 TensorFlow 里构建真的 CNNs。在下面的练习中，你需要设定卷积核滤波器（filters）的维度，weight，bias。这在很大程度上来说是 TensorFlow CNNs 最难的部分。一旦你知道如何设置这些属性的大小，应用 CNNs 阅读全文

posted @ 2018-07-04 19:32 未完代码阅读(321) 评论(0) 推荐(0)

TensorFlow 中的卷积网络

摘要：TensorFlow 中的卷积网络是时候看一下 TensorFlow 中的卷积神经网络的例子了。网络的结构跟经典的 CNNs 结构一样，是卷积层，最大池化层和全链接层的混合。这里你看到的代码与你在 TensorFlow 深度神经网络的代码类似，我们按 CNN 重新组织了结构。如那一节一样，这阅读全文

posted @ 2018-07-04 19:26 未完代码阅读(242) 评论(0) 推荐(0)

1x1卷积

摘要：你可能会想为什么有人会用1x1卷积，因为它关注的不是一块像素，而是一个像素，图1 图1 我们看看传统的卷积，它基本上是运行在一个小块图像上的小分类器，但仅仅是个线性分类器。图2 图2 如果你在中间加一个1x1卷积，你就用运行在一块像素上的神经网络代替了线性分类器。在卷积操作中散步一些1x1卷积是一阅读全文

posted @ 2018-07-04 19:18 未完代码阅读(1508) 评论(0) 推荐(0)

最大池化

摘要：TensorFlow 最大池化由 Aphex34 (自己的作品) CC BY-SA 4.0，通过 Wikimedia Commons 共享这是一个最大池化的例子max pooling 用了 2x2 的滤波器 stride 为 2。四个 2x2 的颜色代表滤波器移动每个步长所产出的最大值。例如阅读全文

posted @ 2018-07-04 18:50 未完代码阅读(1718) 评论(0) 推荐(0)

CNN网络改善的方法——池化

摘要：一个能降低卷积金字塔中特征图的空间维度，目前为止，我们通过调整步幅，将滤镜每次移动几个像素。图1 从而降低特征图的尺寸。这是降低图像采样率的一种非常有效的方法。图1 它移除了很多信息，如果我们不采用每两个卷积跳过一个的方法，二依然执行非常小的步幅，比如说1. 但是我们通过某种方法把相邻的所有卷积结阅读全文

posted @ 2018-07-04 18:48 未完代码阅读(2146) 评论(0) 推荐(0)

tensorflow 卷积层

摘要：TensorFlow 卷积层 TensorFlow 卷积层 TensorFlow 卷积层 TensorFlow 卷积层 TensorFlow 卷积层 TensorFlow 卷积层让我们看下如何在 TensorFlow 里面实现 CNN。 TensorFlow 提供了 tf.nn.conv2d() 阅读全文

posted @ 2018-07-04 18:18 未完代码阅读(180) 评论(0) 推荐(0)

CNN输出维度的计算

摘要：在 CNN 的一层中的 patch 中共享权重 w ，无论猫在图片的哪个位置都可以找到。在 CNN 的一层中的 patch 中共享权重 w ，无论猫在图片的哪个位置都可以找到。在 CNN 的一层中的 patch 中共享权重 w ，无论猫在图片的哪个位置都可以找到。在 CNN 的一层中的 pat 阅读全文

posted @ 2018-07-04 17:31 未完代码阅读(3097) 评论(0) 推荐(0)

CNN滤波器

摘要：CNN 的第一步是把图片分成小块。我们通过选取一个给定宽度和高度的滤波器来实现这一步。滤波器会照在图片的小块 patch （图像区块）上。这些 patch 的大小与滤波器一样大。 CNN 的第一步是把图片分成小块。我们通过选取一个给定宽度和高度的滤波器来实现这一步。滤波器会照在图片的小块 pat 阅读全文

posted @ 2018-07-04 16:34 未完代码阅读(1466) 评论(0) 推荐(0)

CNN如何识别一幅图像中的物体

摘要：让我们对卷积神经网络如何工作形成更好直观感受。我们先看下人怎样识别图片，然后再看 CNNs 如何用一个近似的方法来识别图片。比如说，我们想把下面这张图片识别为金毛巡回犬。让我们对卷积神经网络如何工作形成更好直观感受。我们先看下人怎样识别图片，然后再看 CNNs 如何用一个近似的方法来识别图片。阅读全文

posted @ 2018-07-04 16:23 未完代码阅读(9246) 评论(0) 推荐(1)

什么是卷积？

摘要：图1 一张图片有宽和高图1，且通常一幅图像是由红绿蓝三色通道，所以它还有深度信息图2。图2 深度为3 现在假设拿出图片的一小块，运行一个具有K个输出的小神经网络，像图3一样把输出表示为垂直的一小列图3 在不改变权重的情况下，把这个小神经网络滑过整个图片，就像我们拿个涮子一样水平垂直地滑动。图4，阅读全文

posted @ 2018-07-04 15:29 未完代码阅读(669) 评论(0) 推荐(0)

windows 和 linux 安装 tensorflow

摘要：安装跟往常一样，我们用 Conda 来安装 TensorFlow。你也许已经有了一个 TensorFlow 环境，但要确保你安装了所有必要的包。 OS X 或 Linux 运行下列命令来配置开发环境 conda create -n tensorflow python=3.5 source acti 阅读全文

posted @ 2018-06-28 09:14 未完代码阅读(514) 评论(0) 推荐(0)

神经网络入门——16实现一个反向传播

摘要：反向传播练习现在你来实现一个通过反向传播训练的神经网络，数据集就是之前的研究生院录取数据。通过前面所学你现在有能力完成这个练习：你的目标是：实现一个正向传播实现反向传播算法更新权重 import numpy as np from data_prep import features, tar 阅读全文

posted @ 2018-04-27 17:03 未完代码阅读(558) 评论(0) 推荐(0)

神经网络入门——15反向传播

摘要：反向传播如何让多层神经网络学习呢？我们已了解了使用梯度下降来更新权重，反向传播算法则是它的一个延伸。以一个两层神经网络为例，可以使用链式法则计算输入层-隐藏层间权重的误差。要使用梯度下降法更新隐藏层的权重，你需要知道各隐藏层节点的误差对最终输出的影响。每层的输出是由两层间的权重决定的，两层之间产阅读全文

posted @ 2018-04-27 16:59 未完代码阅读(253) 评论(0) 推荐(0)

神经网络入门——14多层感知机

摘要：实现隐藏层先修要求接下来我们会讲神经网络在多层感知器里面的数学部分。讲多层感知器我们会用到向量和矩阵。你可以通过下列讲解对此做个回顾：可汗学院的向量入门. 可汗学院的矩阵入门. 由来之前我们研究的是只有一个输出节点网络，代码也很直观。但是现在我们有多个输入单元和多个隐藏单元，它们的权重需阅读全文

posted @ 2018-04-27 16:30 未完代码阅读(394) 评论(0) 推荐(0)

神经网络入门——13实现梯度下降

摘要：实现梯度下降现在我们知道了如何更新我们的权重：你看到的是如何实现一次更新，那我们如何把代码转化为能够计算多次权重更新，使得我们的网络能够真正学习呢？作为示例，我们拿一个研究生学院录取数据，用梯度下降训练一个网络。数据可以在这里找到。数据有三个输入特征：GRE 分数、GPA 分数和本科院校排名（阅读全文

posted @ 2018-04-27 13:50 未完代码阅读(596) 评论(0) 推荐(0)

tensorflow入门——5tensorflow安装

摘要：你将把你学到的神经网络的知识，借助 TensorFlow ，一个 Google 开源的深度学习框架，应用在真实的数据集中。你将使用 TensorFlow 来辨别 notMNIST 数据集。它是一个由 A 到 J 的英文字母图片组成的数据集，下面是一些示例。你将把你学到的神经网络的知识，借助 Te 阅读全文

posted @ 2018-04-24 15:38 未完代码阅读(282) 评论(0) 推荐(0)

神经网络入门——12梯度下降代码

摘要：梯度下降过程可参考上一篇梯度下降算法多个输入阅读全文

posted @ 2018-04-24 15:14 未完代码阅读(413) 评论(0) 推荐(0)

神经网络入门——11梯度下降算法

摘要：梯度下降算法我们已经了解到，类似图中的简单神经网络输出数据的具体过程，我们构建神经网络是为了输出预测结果。但提前不知道权重，就没法正确预测结果。我们可以先输入正确的参数，然后根据结果调整权重。首先我们要选取衡量预测误差的标准。最容易想到的是用实际目标值y减去网络预测值 ^y 。用两者的差值来衡阅读全文

posted @ 2018-04-24 15:04 未完代码阅读(836) 评论(0) 推荐(0)

神经网络入门——10.梯度下降

摘要：学习权重你了解了如何使用感知器来构建 AND 和 XOR 运算，但它们的权重都是人为设定的。如果你要进行一个运算，例如预测大学录取结果，但你不知道正确的权重是什么，该怎么办？你要从样本中学习权重，然后用这些权重来做预测。要了解我们将如何找到这些权重，可以从我们的目标开始考虑。我们想让网络做出的预阅读全文

posted @ 2018-04-24 11:26 未完代码阅读(586) 评论(0) 推荐(0)

随笔分类 - 机器学习