墨麟非攻

摘要： 三、训练识别模型 首先先拷贝一个nets文件夹，主要使用的是文件夹下的两个文件nets_factory.py、alexnet.py，用于导入训练使用的网络alexnet。 nets_factory.py alexnet.py 对源码做出一定的修改，前面的卷积和池化作为共享层保持不变，主要就是修改最后 阅读全文

摘要： 验证码的识别 主要分成四个部分：验证码的生成、将生成的图片制作成tfrecord文件、训练识别模型、测试模型 使用pyCharm作为编译器。本文先介绍前两个部分 验证码的识别有两种方法： 验证码识别方法一： 把标签转为向量，向量长度为40。（4位数字验证码） 例如有一个验证码为0782， 它的标签转 阅读全文

摘要： 先创建一个reader.py，后面的程序将用到其中的函数。 数据的内容主要是关于电影与用户。 一、加载数据、划分训练集和测试集 二、定义模型，返回预测结果和正则化项 三、定义损失函数 四、读取数据以构建tensorflow模型 五、训练 六、创建会话 阅读全文

摘要： 一、使用movieLens数据集 二、算法调参 我们使用sklearn常用到的网格搜索交叉验证（GridSearchCV）来选择最优的参数 在自己的数据集上训练模型 该如何做？ 1. 载入自己的数据集 2. 使用不同的推荐算法进行建模比较 推荐系统--不同电影之间的相似度 一、载入数据，使用算法算出 阅读全文

摘要： Surprise Surprise是scikit系列中的一个。Surprise的User Guide有详细的解释和说明 支持多种推荐算法 基础算法/baseline algorithms 基于近邻方法（协同过滤）/neighborhood methods 矩阵分解方法/matrix factoriz 阅读全文

摘要： 基于SVD的图像压缩 原始图像：手写数字，32* 32=1024像素。可以使用SVD来对数据降维 一、分析Sigma的长度个数 通常保留矩阵80%~90%的能量，就可以得到重要的特征并去除噪声 二、将文本数据转化为矩阵 三、打印矩阵 四、实现图像压缩，允许基于任意给定的奇异值数目来重构图像 五、总结 阅读全文

摘要： 推荐未尝过的菜肴-基于SVD的评分估计 实际上数据集要比我们上一篇展示的myMat要稀疏的多。 一、计算一下到底有多少个奇异值能达到总能量的90%（下一篇我们将用一个函数实现该功能） 二、相似度计算（欧式距离、皮尔逊相关系数、余弦相似度） 三、基于SVD的评分估计 四、排序获取最后的推荐结果 阅读全文

摘要： 推荐未尝过的菜肴-基于物品相似度的推荐 推荐系统的工作过程：给定一个用户，系统会为此用户返回N个最好的推荐菜 1. 寻找用户没有评级的菜肴，即在用户-物品矩阵中的0值 2. 在用户没有评级的所有物品中，对每个物品预计一个可能的评级分数（利用相似度计算）。这就是说，我们预测用户对每个物品的打分 3. 阅读全文

摘要： 一、首先要定义一个生成器G，该生成器需要将输入的随机噪声变换为图像。 1. 该模型首先输入有100个元素的向量，该向量随机生成于某分布。 2. 随后利用两个全连接层接连将该输入向量扩展到1024维和128 * 7 * 7 3. 后面就开始将全连接层所产生的一维张量重新塑造成二维张量，即MNIST中的 阅读全文

摘要： 最近一直在看GAN，我一直认为只有把博客看了一遍，然后再敲一遍。这样才会有深刻的感悟。 GAN（生成式对抗网络）（GAN, Generative Adversarial Networks ）是一种深度学习模型，分布在无监督学习上。 分成两个模块：生成模型（Generative Model）和判别模型 阅读全文