原创 Deep Learning:正則化(八)

Early Stopping When training large models with sufficient representational capacity to overfit the task, we often o

原创 Deep Learning:正則化(五)

Noise Robustness Dataset Augmentation has motivated the use of noise applied to the inputs as a dataset augmentatio

原创 Deep Learning:正則化(十一)

Bagging and Other Ensemble Methods Bagging (short for bootstrap aggregating) is a technique for reducing generaliza

原创 Deep Learning:正則化(四)

Dataset Augmentation The best way to make a machine learning model generalize better is to train it on more data. O

原创 Deep learning:正則化(三)

Regularization and Under-Constrained Problems Many linear models in machine learning, including linear regression a

原创 Deep Learning:正則化(六)

Semi-Supervised Learning In the paradigm of semi-supervised learning, both unlabeled examples from P(x) and labeled

原创 Python基礎:列表

Python中沒有數組,但是有一個更爲強大—列表。 創造列表 創建普通列表 >>> member = ['小甲魚', '小布丁'] >>> member ['小甲魚', '小布丁'] >>> nunber = [1, 2,

原创 Tensorflow實例:實現簡單的卷積神經網絡

CNN最大的特點在於卷積的權值共享結構,可以大幅減少神經網絡的參數量,防止過擬合的同時又降低了神經網絡模型的複雜度。在CNN中,第一個卷積層會直接接受圖像像素級的輸入,每一個卷積操作只處理一小塊圖像,進行卷積變化後再傳到後面的網絡,每一層

原创 Tensorflow實例:實現ResNet

ResNet(Residual Neural Network)由微軟研究院的Kaiming He等4名華人提出,通過使用Residual Unit成功訓練152層深的神經網絡,在ILSVRC 2015比賽中獲得了冠軍,取得3.57%的to

原创 Python機器學習應用-基於聚類的整圖分割

圖像分割 利用圖像的灰度、顏色、紋理、形狀等特徵,把圖像分成若干個互不重疊的區域,並使用這些特徵在同一區域內呈現相似性,在不同的區域之間存在明顯的差異性。然後就可以將分割的圖像中具有獨特性質的區域提取出來用於不同的研究。 圖像分割技術已

原创 Tensorflow實例:實現深度強化學習--策略網絡

深度強化學習簡介 強化學習(reinforcement Learning)是機器學習的一個重要分支,主要用來解決連續決策的問題。強化學習可以在複雜的、不確定的環境中學習如何實現我們設定的目標。 一個強化學習問題包括三個主要概念,即 環

原创 Python機器學習應用-聚類之K-Means

K-Means聚類算法 k-means算法以k爲參數,把n個對象分成k個簇,使簇內具有較高的相似度,而簇間的相似度較低。 隨機選擇k個點作爲初始的聚類中心。 對於剩下的點,根據其與聚類中心的距離,將其歸入最近的簇。 對每個簇,計算所有點

原创 Tensorflow實例:實現GAN(生成對抗網)

""" Dependencies: tensorflow: 1.1.0 matplotlib numpy """ import tensorflow as tf import numpy as np import matplotlib.p

原创 Tensorflow實例:實現VGG

VGGNet探索了卷積神經網絡的深度與其性能之間的關係,通過反覆堆疊3*3的小型卷積核和2*2的最大池化層,VGGNet成功地構築了16~19層的卷積神經網絡。VGGNet的結構非常簡潔,整個網絡都使用了同樣大小的卷積核尺寸(3*3)和最

原创 Tensorflow實例:自編碼器

自編碼器:可以使用自身的高階特徵編碼自己。自編碼器通常希望使用少量稀疏的高階特徵來重構輸入,加入幾種限制: 限制中間隱含層節點的數量,比如小於輸入輸出節點的數量,就相當於一個降維的過程。如果再給中間隱含層的權重加一個L1的正則,則可以根