摘要： 定义模型两种方法： 训练神经网络模型： 【1】定义问题、收集数据集 处理二分类、多分类问题小tips （1）二分类：神经网络中间层可以使用带有relu激活的Dense堆叠，网络的最后一层是只有一个单元并使用sigmoid激活的Dense层，网络输出应该是0-1范围内的标量， 表示概率值。 （2）多分 阅读全文

摘要： 问题描述：样本为所有恐龙名字，为了构建字符级语言模型来生成新的名称，你的模型将学习不同的名称模式，并随机生成新的名字。 在这里你将学习到： 如何存储文本数据以便使用rnn进行处理。 如何合成数据，通过每次采样预测，并将其传递给下一个rnn单元。 如何构建字符级文本生成循环神经网络。 为什么梯度修剪很 阅读全文

只有注册用户登录后才能阅读该文。 阅读全文

摘要： 相同点： 两者所要实现的功能是一致的（将多维数组降位一维）。这点从两个单词的意也可以看出来，ravel(散开，解开)，flatten（变平）。 不同点： 两者的区别在于返回拷贝（copy）还是返回视图（view） numpy.flatten()返回一份拷贝，对拷贝所做的修改不会影响（reflects 阅读全文

摘要： 1.基础模型basic model 以翻译为例，将如下一句法文翻译成英文，输入是法文的每个单词，输出是英文的每个单词，分别用$x^{},y^{}$表示： 如何构建一个模型，使得输入法文序列的词，输出英文序列的词呢？接下去要介绍的知识与思想主要来自于这两篇论文： （1）首先建立一个网络，称之为 enc 阅读全文

摘要： 1.词汇表征 1.1 one hot词编码的缺陷 回顾上一节的词向量表示方式：one hot编码。即根据拥有的尽可能多的语料，整理一份词典，词典长度为n，使得每个词对应一个n 1的词向量，其中该词索引所在的位置为1，其余位置为0. 比如，如下图，woman这个词在索引为9853的位置上是1，其余位置 阅读全文

摘要： 一. why sequence models? （1）序列模型广泛应用于语音识别，音乐生成，情感分析，DNA序列分析，机器翻译，视频行为识别，命名实体识别等众多领域。 （2）上面那些问题可以看成使用（x，y）作为训练集的监督学习，但是输入与输出的对应关系有非常多的组合， 比如一对一，多对多，一对多， 阅读全文

摘要： 1. What is face recognition 首先简单介绍一下人脸验证（face verification）和人脸识别（face recognition）的区别。 人脸验证 ：输入一张人脸图片，验证输出与模板是否为同一人，即一对一问题。 人脸识别 ：输入一张人脸图片，验证输出是否为K个模板 阅读全文

摘要： 本章介绍目标定位和目标检测（包含多目标检测）。 1. Object Localization 原始图片经过CONV卷积层后，Softmax层输出4 x 1向量，分别是： 注意，class label也可能是概率。上述四个向量分别对应pedestrain，car，motorcycle和backgrou 阅读全文

摘要： 1. Classic networks （1）LeNet 5 该LeNet模型总共包含了大约6万个参数。当时Yann LeCun提出的LeNet 5模型池化层使用的是average pool，而且各层激活函数一般是Sigmoid或tanh。现在，一般池化层使用Max pool，激活函数用ReLU。 阅读全文