随笔分类 -  [T10] 深度学习

tensorflow 损失计算--MSN
摘要：1、tf.losses.mean_squared_error函数 labels：真实的输出张量,与“predictions”相同. predictions：预测的输出. weights：可选的Tensor,其秩为0或与labels具有相同的秩,并且必须可广播到labels(即,所有维度必须为1与相应 阅读全文
posted @ 2019-06-28 15:12 戒骄戒躁-沉淀积蓄 阅读(902) 评论(0) 推荐(0)
二分类模型评价指标
摘要：1. 分类情况： 准确率 - accuracy 精确率 - precision 精确率（Precision）: 预测为正类样本中真正为正类样本的比例【越高越好】 召回率（Recall）:预测为正类样本被正确分类的比例【越高越好】 虚警率（False alarm）：负类样本被(预测)分为正类样本在所有 阅读全文
posted @ 2019-03-11 16:55 戒骄戒躁-沉淀积蓄 阅读(791) 评论(0) 推荐(0)
tensorflow tensor Flatten 张量扁平化，多通道转单通道数据
摘要：slim.flatten(inputs,outputs_collections=None,scope=None) (注：import tensorflow.contrib.slim as slim) 将输入扁平化但保留batch_size,假设第一维是batch。 Args: inputs: a t 阅读全文
posted @ 2019-02-21 15:03 戒骄戒躁-沉淀积蓄 阅读(5838) 评论(0) 推荐(0)
机器学习 - 正则化L1 L2
摘要：L1 L2 Regularization 表示方式： $L_2\text{ regularization term} = ||\boldsymbol w||_2^2 = {w_1^2 + w_2^2 + ... + w_n^2}$ 执行 L2 正则化对模型具有以下影响 使权重值接近于 0（但并非正好 阅读全文
posted @ 2019-02-14 20:35 戒骄戒躁-沉淀积蓄 阅读(201) 评论(0) 推荐(0)
机器学习 - 损失函数 + 正则化
摘要：损失函数添加L2 regularization 对于AlphaGo 的一个神经网络预测两个值的情况，在原有的损失函数上，又要添加正则项来修正 AlphaGo的损失函数 使用了MSE和交叉验证，没有采用softmax激活函数，只有value网络使用了tanh激活 阅读全文
posted @ 2019-02-14 18:16 戒骄戒躁-沉淀积蓄 阅读(723) 评论(0) 推荐(0)
机器学习 - 损失计算-softmax_cross_entropy_with_logits
摘要：tf.nn.softmax_cross_entropy_with_logits(logits, labels, name=None) 第一个参数logits：就是神经网络最后一层的输出 第二个参数labels：实际的标签 具体的执行流程大概分为两步： 第一步是先对网络最后一层的输出做一个softma 阅读全文
posted @ 2019-02-14 00:32 戒骄戒躁-沉淀积蓄 阅读(510) 评论(0) 推荐(0)
神经网络之样本设计
摘要：单通道数据设计 原始数据 图片转换17x4 三通道样本设计 原始数据 021: 每个数据点，有三个元素表示，eg：RGB 转换15x4x3 下图的每一列，代表的就是每一个通道的数据点，共计三层 阅读全文
posted @ 2019-01-17 16:35 戒骄戒躁-沉淀积蓄 阅读(162) 评论(0) 推荐(0)
机器学习，交叉验证
摘要：本文结构： 什么是交叉验证法？ 为什么用交叉验证法？ 主要有哪些方法？优缺点？ 各方法应用举例？ 什么是交叉验证法？ 它的基本思想就是将原始数据（dataset）进行分组，一部分做为训练集来训练模型，另一部分做为测试集来评价模型。 为什么用交叉验证法？ 交叉验证用于评估模型的预测性能，尤其是训练好的 阅读全文
posted @ 2018-12-26 15:48 戒骄戒躁-沉淀积蓄 阅读(475) 评论(0) 推荐(0)