小kk_p - 博客园

2018年2月

摘要：参考：tensorflow书 1、模型的导出： 2、模型的导入：例1：模型的导入、导出的应用接上（若对变量名字作了改变，则在tf.train.Saver()中引入字典来作调整）： 3、迭代的计数表示：参考：http://blog.csdn.net/shenxiaolu1984/article/ 阅读全文

posted @ 2018-02-07 01:05 小kk_p 阅读(376) 评论(0) 推荐(0)

2018年1月

常用的神经网络损失函数

摘要：参考资料：http://blog.csdn.net/nuannuanyingying/article/details/70848765 https://www.zhihu.com/question/24827633 这里介绍较为常见的两种损失函数，分别是平方损失函数和交叉熵损失函数 1、平方损失函数阅读全文

posted @ 2018-01-24 22:44 小kk_p 阅读(2224) 评论(0) 推荐(0)

tensorflow函数介绍(1)

摘要： tensorflow中的tensor表示一种数据结构，而flow则表现为一种计算模型，两者合起来就是通过计算图的形式来进行计算表述，其每个计算都是计算图上的一个节点，节点间的边表示了计算之间的依赖关系。一般的tensorflow程序分为两个阶段，在第一阶段定义计算图需要的变量，第二个阶段定义计算模型阅读全文

posted @ 2018-01-17 19:45 小kk_p 阅读(500) 评论(0) 推荐(0)

python基础知识(1)(个人整理)

posted @ 2018-01-14 15:24 小kk_p 阅读(215) 评论(0) 推荐(0)

前馈神经网络介绍

摘要：转自出处： http://blog.csdn.net/walilk/article/details/50278697 符号说明：以如下图为例：前面的网络结构对应二分类问题后面的网络结构对应多分类问题 Layer层：最左边的层为输入层(input layer)，对应样本特征最右边的层为输出层阅读全文

posted @ 2018-01-12 17:06 小kk_p 阅读(2283) 评论(0) 推荐(0)

2017年12月

提升算法(3)

摘要：提升树利用加法模型与前向分布算法实现学习的优化过程（原理相同），当损失函数是平方损失和指数损失函数时，每一步优化是很简单的。但对一般损失函数而言，往往每一步优化算法并不容易针对该问题有人提出了梯度提升(gradient boosting)算法，利用最速下降的近似方法，关键是利用损失函数的负梯度在当前阅读全文

posted @ 2017-12-27 18:34 小kk_p 阅读(195) 评论(0) 推荐(0)

提升算法(2)

摘要：提升树：提升树是以分类树或回归树为基本分类器的提升方法。提升方法实际采用加法模型(即基函数的线性组合)与前向分布算法，以决策树为基函数的提升方法称为提升树，对分类问题决策树是二叉分类树，对回归问题决策树是二叉回归树，其根据特征x<v与x>v将根结点直接连接两个叶结点，以作为决策树桩。提升树模型可以阅读全文

posted @ 2017-12-24 17:29 小kk_p 阅读(829) 评论(0) 推荐(0)

提升算法(1)

摘要：对于分类问题而言，给定一个训练样本集，求比较粗糙的分类规则（弱分类器）要比求精确的分类规则（强分类器）容易得多，提升法就是从弱学习算法出发，反复学习，得到一系列弱分类器，然后组合弱分类器构成强分类器。大多数提升法都是改变训练数据的概率分布（训练数据的权值分布），针对不同的训练数据分布调用弱学习算法学阅读全文

posted @ 2017-12-23 20:22 小kk_p 阅读(597) 评论(0) 推荐(0)

非线性支持向量机(2)

摘要：常用的核函数： 1、多项式核函数对应的支持向量机是一个p次多项式分类器，在此情形下，分类决策函数成为：（来自前面关于支持向量机w的估计，因而分类决策函数转为今儿通过核函数的内积将映射后对分类决策函数进行替换得到上f(x)式子） 2、高斯核函数对应的支持向量机是高斯径向基函数分类器，在此情形下阅读全文

posted @ 2017-12-23 15:28 小kk_p 阅读(411) 评论(0) 推荐(0)

非线性支持向量机(1)

摘要：对于线性分类问题，线性分类支持向量机效果很好。但是当碰到无法直线分开的时候，就涉及通过曲线(非线性模型)将它们正确分开。由于非线性问题往往不好解，则通过进行非线性变换将非线性问题转换为线性问题，通过求解变换后的线性问题来求解原非线性问题。非线性分类问题：一般来说，对于给定的训练数据集T={(x1 阅读全文

posted @ 2017-12-20 20:38 小kk_p 阅读(1026) 评论(0) 推荐(0)

公告