泽小六

摘要： 引言 为什么要使用mobile net* 卷积神经网络从出现到现在早已经在各大赛场大放异彩，但是在某些真实应用的场景下，仍然具有明显不足（如移动或者嵌入式设备） 原因： 模型过于庞大，可能存在内存不足等问题 实际环境中要求响应速度极快（如自动驾驶的行人检测系统） 诞生 所以有2个方向我们可以考虑（核 阅读全文

摘要： 高级CNN 普通的简单卷积神经网络都是简单的一层式结构，但是对于复杂处理来讲，我们更加偏向于高级CNN 以googlenet为例，网络中会有很多的分支，具体核心结构如下，我们可以看出它既使用了3 * 3 ，也使用了5 * 5 ，1 * 1 等多种网络结构，目的是在我不知道哪种结构最优的情况下，我都进 阅读全文

摘要： 前向传播 反向传播和梯度 前向传播 w 为权重矩阵，x为输入的特征矩阵，b为偏置 α = w * x + b 前项传播算法的核心就是一轮一轮运算往下，把输入计算为输出 损失函数 模型的训练过程就是追求损失函数最小的过程 在求函数最小值时，我们会采用梯度下降算法迭代求解损失最小值 损失即为我们得到的结 阅读全文

摘要： 饱和函数 sigmoid 当我们在做分类问题的时候输出的y应该是一个[0,1]之间的概率，而不是一个实数 例如 y= w * x +b 当 y>某一值时，它属于哪一类，概率为xx 所以我们需要把一个实数集映射到概率[0,1]中，这个时候我们引入了sigmoid 这里引用了logistic funct 阅读全文

摘要： 梯度 定义： 函数在某一点的梯度是这样一个向量，方向和最大导数的方向一致，它的模为方向导数的最大值 目的： 函数沿着空间某一处，沿着哪个方向有最大变化率 核心： 1.梯度有大小有方向 2.梯度的方向是最大导数的方向 3.梯度的值是最大方向导数的值 梯度就是函数在某一点最大的方向导数，函数沿梯度方向函 阅读全文

摘要： TensorFlow机器学习基础操作 0x01创建模型操作 1.首先选择底层的模型，有2种基础模型 Sequential 序贯模型，单输入单输出，层与层之间只有相邻关系，无跨层连接，编译较快，操作简单，使用较多 Graph 图模型，这个模型支持多输入多输出，层与层之间想怎么连就怎么连，编译速度较慢 阅读全文

摘要： 数据操作-加载和预处理 0x01加载划分数据集 首先下载数据集 #一种通过keras下载 dataset = tf.keras.utils.get_file(origin='url',fname='name',untar=True) #一种通过tensorflow_datasets加载mnist数据 阅读全文