随笔分类 - 机器学习
摘要：tfrecord生成 tfrecord读取 尺寸不固定矩阵的存储和读取 统计数据条数
阅读全文
摘要：拉去tensorflow srving 镜像 代码里新增tensorflow 配置代码 启动服务 访问服务 预测结果 遗留问题 tensorflow serving 保存的时侯，只保存了，模型graphy相关的操作。数据预处理操作，不在serving服务中。 所以数据的预处理等，需要重新做。 可不可
阅读全文
摘要：版本 import tensorflow as tf import sys import os current_dir = os.path.abspath(os.path.dirname(__file__)) sys.path.append(current_dir + '/..') import m
阅读全文
摘要：1. 目前所在公司的核心产品，是放疗图像的靶区自动勾画。 2. 使用深度学习技术，学习放疗样本，能够针对不同的器官，进行放疗靶区的勾画。 3. 使用CNN搭建FCN/U Net网络结构，训练模型，使模型获得图像语义分隔的能力。（自动驾驶，无人机落点判定都是属于语义分割范畴）。 FCN模型结构 模型结
阅读全文
摘要：1.sigmod函数 $$ \sigma(x)=\frac{1}{1+e^{ x}} $$ sigmod函数的输出值再（0，1）这个开区间中，经常被用来映射为概率值。 sigmod函数作为激活函数曾经比较流行。 缺陷 当输入稍微远离了坐标原点，函数的梯度就变得很小了，几乎为零。当反向传播经过了sig
阅读全文
摘要：注意力seq2seq模型 大部分的seq2seq模型，对所有的输入，一视同仁，同等处理。 但实际上，输出是由输入的各个重点部分产生的。 比如： （举例使用，实际比重不是这样） 对于输出“晚上”， 各个输入所占比重: 今天 50%，晚上 50%，吃 100%，什么 0% 对于输出“吃”， 各个输入所占
阅读全文
摘要：在做seq2seq的时候，经常需要使用sequence_loss这是损失函数。 现在分析一下sequence_loss这个函数到底在做什么 求loss值 $$ logits=\left[\begin{matrix} [1.0, 2.0] & [1.0, 2.0] \cr [1.0, 2.0] & [
阅读全文
摘要：使用典型seq2seq模型，得到的结果欠佳，怎么解决 结果欠佳原因在这里 在训练阶段的decoder，是将目标样本["吃","兰州","拉面"]作为输入下一个预测分词的输入。 而在预测阶段的decoder,是将上一个预测结果，作为下一个预测值的输入。（注意查看预测多的箭头） 这个差异导致了问题的产生
阅读全文
摘要：原创文章，转载请注明出处 最近完成了sqe2seq聊天模型，磕磕碰碰的遇到不少问题，最终总算是做出来了，并符合自己的预期结果。 本文目的 利用流程图，从理论方面，回顾，总结seq2seq模型, seq2seq概念 你给模型一段输入，它返回一段输出！ 可以用在这些情景，聊天模型、翻译、看图说话、主旨提
阅读全文
摘要：lstm的前向结构，不迭代 最基本的lstm结构。不涉及损失值和bp过程 用lstm对mnist数据分类
阅读全文
摘要：背景 神经网络，卷积神经网络等其他深度学习算法，都有个局限性，各个输入在算法内部是相对独立的。比如：‘星际争霸有意思，我爱玩’这句话，是有上下文关系的。 如果放在其他网络里面，各个分词将会独立处理。但是在rnn里面，可以将上文记忆下来，做为下文的运算基础。 总之：rnn适合用来解决具有上下文关系的算
阅读全文
摘要：论文pdf 地址：https://arxiv.org/pdf/1609.04802v1.pdf 我的实际效果 清晰度距离我的期待有距离。 颜色上面存在差距。 解决想法 增加一个颜色判别器。将颜色值反馈给生成器 srgan论文是建立在gan基础上的，利用gan生成式对抗网络，将图片重构为高清分辨率的图
阅读全文
摘要：通过GAN生成式对抗网络，产生mnist数据 引入包，数据约定等 GAN对象结构 生成器函数 对随机值z(维度为1，100)，进行包装，伪造，产生伪造数据。 包装过程概括为：全连接 reshape 反卷积 包装过程中使用了batch_normalization，Leaky ReLU，dropout，
阅读全文
摘要：代码实现 当初学习时，主要学习的这个博客 https://xyang35.github.io/2017/08/22/GAN 1/ ，写的挺好的。 本文目的，用GAN实现最简单的例子，帮助认识GAN算法。 2. 真实数据集，我们要通过GAN学习这个数据集，然后生成和他分布规则一样的数据集 3.封装GA
阅读全文
摘要：生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型 GAN包括两个核心模块。 1.生成器模块 generator 2.判别器模块 desciminator GAN通俗原理解释 为了通俗的解释GAN原理，可以类比为伪造货币的例子（这个比方纯粹
阅读全文
浙公网安备 33010602011771号