我们将实现一个类似于Kim Yoon的卷积神经网络语句分类的模型。 本文提出的模型在一系列文本分类任务（如情感分析）中实现了良好的分类性能，并已成为新的文本分类架构的标准基准。 本文假设你已经熟悉了应用于NLP的卷积神经网络的基础知识。 如果没有，建议先阅读Understanding Convolutional Neural Networks for NLP 以获得必要的背景...

autoencoder可以用于数据压缩、降维，预训练神经网络，生成数据等等Auto-Encoder架构 需要完成的工作 需要完成Encoder和Decoder的训练 例如，Mnist的一张图片大小为784维，将图片放到Encoder中进行压缩，编码code使得维度小于784维度，之后可以将code放进Decoder中进行重建,可以产生同之前相似的图片...

最近由于研究方向的更换，接触到了目标检测（Object Detection）领域，觉得很有意思，并且阅读了该方向的相关经典文献，包括Fast-RCNN、Faster-RCNN、SSD、YOLO以及RetinaNet等。复现别人代码并且能够得到在公开数据集上和原作者相近甚至相同的实验结果对于我们做研究甚至以后的工作来说是至关重要的...

knn的基本原理： KNN是通过计算不同特征值之间的距离进行分类。 整体的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。K通常是不大于20的整数。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在分类决策上只依据最邻近的一个或者几个样本的类别来决定待分类样本所属的类别。 KNN算法要解决的核心问题是K值选择...

▲ 机器之心根据真实店铺照片生成的效果图，一度以为，这就是某个日漫番剧的截图 随手拍张照片，顺势转换为宫崎骏、新海诚等日漫大师的手绘风格作品，这个专门生成动漫图像的 GAN，实测很好用。 尽管最近 2019 年的图灵奖颁给了计算机图形学、颁给了皮克斯 3D 动画，但很多人可能认为二维动漫更有意思一些。像宫崎骏、新海诚这些大师手绘下的动漫，才有了灵魂，张张都能成为壁纸，而整个日漫也以二维为核心...

数据集：minist （我走的是本地读取） 数据集链接：https://pan.baidu.com/s/1o2faz60YLaba3q7hn_JWqg 提取码：yv3y 代码和数据集放在一个文件下 目的：测试服务器是否安装成功cuda和cudnn 环境:ubuntu16.04...

1 VGG介绍 VGG全称是指牛津大学的Oxford Visual Geometry Group，该小组在2014年的ImageNet挑战赛中，设计的VGG神经网络模型在定位和分类跟踪比赛中分别取得了第一名和第二名的成绩...

tf.add_n([p1, p2, p3....])函数是实现一个列表的元素的相加。就是输入的对象是一个列表，列表里的元素可以是向量，矩阵...

前言：对于神经网络的理解，基础的是前向传播过程，重难点是反向的传播，无论是卷积神经网络还是循环神经网络，都是需要一定数学功底的，可以经常回顾下一些老师的博客，重点复习下反向传播的过程，这里就只总结下卷积层的操作，并给出一个经典案例来说明卷积神经网络是如何搭建起来的。 一、卷积计算层/ CONV layer 局部关联。每个神经元看做一个filter。 窗口(receptive field)滑动...

一.安装docker 安装教程很多...

目的 在Tensorflow的教程里面，使用梯度下降算法训练神经网络时，都会提到一个使模型更加健壮的策略，即滑动平均模型。本文基于最近一段时间的学习，记录一下自己的理解。

一、函数式api tf.keras.Sequential 模型只适用于多层简单堆叠网络，不能表示复杂模型。 使用 Keras functional API 可以构建有复杂拓扑结构的模型...

一.概率学中的逆概率 什么是逆概率 我们肯定知道正概率，举个例子就是，箱子里有5个黑球5个白球，那你随机拿到黑球和白球的概率都是50%，那现在我不知道箱子里有多少个黑球白球，那我通过不断的拿球应该如何确定箱子里有多少个黑球白球呢，这就是出名的逆概率 其实机器学习很多时候也就是逆概率的问题，我有大量现实例子的情况下，让机器从这些例子中找到共同的特征，例如给一万张猫的图片给机器学习...

优化器总结 机器学习中，有很多优化方法来试图寻找模型的最优解。比如神经网络中可以采取最基本的梯度下降法。 梯度下降法(Gradient Descent) 梯度下降法是最基本的一类优化器，目前主要分为三种梯度下降法：标准梯度下降法(GD, Gradient Descent)...

reshape()的括号中所包含的参数有哪些呢？常见的写法有tf.reshape((28,28)): tf.reshape(tensor,shape,name=None) 函数的作用是将tensor变换为参数shape形式，其中的shape为一个列表形式，特殊的是列表可以实现逆序的遍历，即list(-1).-1所代表的含义是我们不用亲自去指定这一维的大小，函数会自动进行计算...

实验原理： RNN的网络结构及原理 RNNs包含输入单元(Input units)，输入集标记为{x0,x1,...,xt,xt+1,...}，而输出单元(Output units)的输出集则被标记为{y0,y1,...,yt,yt+1.,..}。RNNs还包含隐藏单元(Hidden units)，我们将其输出集标记为{h0,h1,...,ht,ht+1,...}...

一般对没有加激活函数的输出称为"Logits",softmax函数保证输出的和为1，从而使得在分类过程中让某个输出属于某一类 免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权...

Unet——用于图像边缘检测，是FCN的改进 如上图是UNET的架构图，可以发现器输入图像和输出图像不一致，如果我们需要输入图像和输出图像一致时，在卷积时，使用padding=“SAME”即可，然后再边缘检测时，就相当与像素级别的二分类问题，用交叉熵做loss函数即可。但位置检测常用IOU作为loss函数。 个人觉得UNET的优点： 1.Unet的去除了全链接层...

背景 深度学习模型如何服务化是一个机器学习领域工程方面的热点，现在业内一个比较主流的做法是将模型和模型的服务环境做成docker image。这样做的一个好处是屏蔽了模型对环境的依赖，因为深度学习模型在服务的时候可能对各种框架版本和依赖库有要求，解决运行环境问题一直是个令人头痛的事情。 将模型通过docker服务化后意味着深度学习模型可以在各种环境使用，比如云端直接通过k8s调度拉起...

1.1 概述 Tensor提供了大量的张量运算，基本上可以对标Numpy多维数组的运算，以支持对张量的各种复杂的运算。 这些操作运算中大多是对数组中每个元素执行相同的函数运算，并获得每个元素函数运算的结果序列，这些序列生成一个新的同维度的数组。 不同维度张量的维度方向标识 随着张量维度的增加，张量维度的标识dim的范围也在扩宽 在张量维度扩展的过程中，维度标识值（dim=n）的含义也在发生变化...