01 2018 档案

xgboost原理与实战
摘要：目录 xgboost原理 xgboost和gbdt的区别 xgboost安装 实战 xgboost原理 xgboost是一个提升模型，即训练多个分类器，然后将这些分类器串联起来，达到最终的预测效果。每一个基分类器都是一个弱分类器，但是很多串联起来后效果很强大。 工作原理： 每次加入一棵新树是为了让目 阅读全文
posted @ 2018-01-27 19:14 黎明程序员 阅读(1379) 评论(0) 推荐(0)
使用迁移学习进行图像识别
摘要：工程目录： 代码实现： # -*- coding: utf-8 -*- import glob import os.path import random import numpy as np import tensorflow as tf from tensorflow.python.platfor 阅读全文
posted @ 2018-01-18 20:36 黎明程序员 阅读(792) 评论(1) 推荐(0)
tensorflow实现迁移学习
摘要：此例程出自《TensorFlow实战Google深度学习框架》6.5.2小节 卷积神经网络迁移学习。 数据集来自http://download.tensorflow.org/example_images/flower_photos.tgz ，及谷歌提供的Inception-v3模型https://s 阅读全文
posted @ 2018-01-18 11:25 黎明程序员 阅读(1152) 评论(1) 推荐(2)
tensorflow实现LeNet-5模型
摘要：网络结构如下： 工程目录： mnist_eval.py mnist_inference.py mnist_train.py 转自：http://blog.csdn.net/nnnnnnnnnnnny/article/details/70216265 阅读全文
posted @ 2018-01-18 10:35 黎明程序员 阅读(737) 评论(0) 推荐(0)
数字图像识别
摘要：第一版： # -*- coding: utf-8 -*- import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data INPUT_NODE = 784 # 输入层的节点数。对于MNIST 数据集 阅读全文
posted @ 2018-01-16 20:47 黎明程序员 阅读(1116) 评论(0) 推荐(0)
随机森林
摘要：目录 集成算法 Bagging模型 随机森林优势 Bagging模型集成 集成算法 目的：让机器学习效果更好，三个凑皮匠顶个诸葛亮的思想。 实现思想有： Bagging：训练多个分类器取平均 Boosting：从弱学习器开始加强，通过加权来进行训练 返回目录 Bagging模型 思想：并行训练一堆分 阅读全文
posted @ 2018-01-11 16:59 黎明程序员 阅读(420) 评论(0) 推荐(0)
最长不重复子串长度，时间复杂度O(n)，空间复杂度O(n)，Python实现
摘要：def lengthOfLongestSubstring(s): res = 0 d = {} tmp = 0 start = 0 for i in range(len(s)): if s[i] in d and d[s[i]] >= start: start = d[s[i]] + 1 tmp ... 阅读全文
posted @ 2018-01-10 16:29 黎明程序员 阅读(249) 评论(0) 推荐(0)
word2vec原理与代码
摘要：目录 前言 CBOW模型与Skip-gram模型 基于Hierarchical Softmax框架的CBOW模型 基于Negative Sampling框架的CBOW模型 负采样算法 结巴分词 word2vec 前言 word2vec当前主流实现有4种：基于Negative Sampling框架和基 阅读全文
posted @ 2018-01-05 13:39 黎明程序员 阅读(4888) 评论(0) 推荐(0)
TensorFlow入门
摘要：目录 计算图的概念 计算图的使用 张量的概念 张量的使用 TensorFlow运行模型——会话 TensorFlow实现神经网络 条目7 条目8 条目9 计算图的概念 TensorFlow 的名字中已经说明了它最重要的两个概念--Tensor 和Flow。Tensor 就是张量，可以被简单地理解为多 阅读全文
posted @ 2018-01-03 11:28 黎明程序员 阅读(1053) 评论(0) 推荐(0)
卷积神经网络
摘要：目录 对比：卷积神经网络、全连接神经网络 卷积层 直观理解卷积 卷积计算流程 卷积参数共享原则 池化层 卷积神经网络的组成 前向传播与反向传播 卷积网络架构实例 对比：卷积神经网络、全连接神经网络 左图：全连接神经网络（平面），组成：输入层、激活函数、全连接层 右图：卷积神经网络（立体），组成：输入 阅读全文
posted @ 2018-01-01 12:48 黎明程序员 阅读(969) 评论(1) 推荐(1)