原创 LTP分詞與詞性標註(使用用戶詞典)

#coding:utf-8 from pyltp import Segmentor from pyltp import Postagger def read_and_seg_pos(file_dir): segment

原创 tensorflow幾個函數講解

tensorflow幾個函數講解 博主原創 多看tensorflow API 1、tf.clip_by_value(a,1e-10,1.0) 將a的值限制在1e-10—1.0之間 #coding:utf-8 import t

原创 L2正則化—tensorflow實現

L2正則化是一種減少過擬合的方法,在損失函數中加入刻畫模型複雜程度的指標。假設損失函數是J(θ) ,則優化的是J(θ)+λR(w) ,R(w)=∑ni=0|w2i| 。 在tensorflow中的具體實現過程如下: #coding

原创 newcoder在線編程2--句子翻轉

newcoder在線編程2 題目描述 給定一個句子(只包含字母和空格), 將句子中的單詞位置反轉,單詞用空格分割, 單詞之間只有一個空格,前後沒有空格。 比如: (1) “hello xiao mi”-> “mi xiao hel

原创 從RNN到LSTM--公式描述

好久沒寫博客了,近幾天重新看LSTM,發現有很多細節之前沒有理解到位,並且至今有一些疑惑。接下來從RNN談起,利用公式描述,並結合tensorflow函數說明兩個容易混淆的細節。之後講解LSTM,主要參考自大神Alex Graves論文《

原创 LR模型(邏輯迴歸模型)

1.邏輯迴歸模型 按照音譯logistic regression應該是邏輯斯蒂迴歸,太難聽了,就簡稱邏輯迴歸吧。 1.1 二項邏輯迴歸模型 二項邏輯迴歸模型是一種二分類模型,儘管它叫“迴歸”。 模型如下: P(Y=1|x)=e

原创 雙向循環神經網絡tensorflow實現

雙向循環神經網絡不僅能捕獲當前狀態與之前狀態的聯繫,也能捕獲與之後的狀態的聯繫。 #coding:utf-8 import tensorflow as tf import numpy as np from tensorflow.

原创 tensorflow實現循環神經網絡

一般的RNN存在長期依賴問題,爲了解決這個問題,LSTM被設計出來 關於LSTM可以參考http://www.jianshu.com/p/9dc9f41f0b29 1、這裏給出tensorflow使用LSTM的框架 #coding

原创 設計模式--01策略模式

案例來自--Head First設計模式 1.最初項目需求是: 設計鴨子模擬遊戲,有不同的鴨子,紅頭鴨,綠頭鴨。鴨子都會呱呱叫,但是外表不同 --設計思路 ----肯定是使用面向對象的設計思路,設計一個鴨子超類,外表設計爲抽象方法 2.後

原创 tensorflow簡單實現卷積前向過程

卷積,說白了就是對應位置相乘再求和,卷積操作用廣泛應用於圖像識別,在自然語言處理中也開始應用,用作文本分類問題。 卷積操作最重要的部分就是卷積核或者說過濾器 1、常用過濾器尺寸爲3*3或者5*5 2、卷積神經網絡中,每個卷基層

原创 簡單全連接神經網絡--MNIST

使用全連接神經網絡進行手寫數字識別,這個效果比CNN要差,僅做練習。 1、mnist_inference.py #coding:utf-8 import tensorflow as tf #定義神經網絡結構相關的參數 INPU

原创 利用tensorflow實現一個簡單的二分類

直接上代碼,在實踐中學習 #coding:utf-8 import tensorflow as tf from numpy.random import RandomState batch_size = 8 w1 = tf.V

原创 增強學習簡單案例實現

增強學習–斯坦福公開課(吳恩達)案例實現 增強學習作爲一種重要的機器學習方法,其最顯著的特點是通過與環境交互,利用環境反饋的獎懲,即增強信號來調整和改善自己的行爲,最終獲得最佳策略。由於該方法具有對環境的先驗知識要求低,可以在實時

原创 MNIST手寫數字識別

手寫數字識別是入門的教程,利用這個學習一下深度學習原理以及tensorflow的使用 1、前向過程 mnist_inference.py #coding:utf-8 import tensorflow as tf #定義神經網

原创 個人知識管理

1 引出 1.1三大挑戰 信息經濟 2.信息爆炸 3.年齡身體素質 1.2時代特點 易變性 2.不確定性 3.複雜性 4.模糊性 1.3最焦慮的是什麼 怕被淘汰卻沒時間學習 1.4如何解決? 個人知識管理,實現終身成長 但是碎片化的知識是