原创 深度學習筆記（19）：結構化機器學習項目的一般策略總結（1）
調優 很多時候，我們的系統在搭建出來之後並不是最優的，我們需要去優化，可能會有很多想法，我們可以調整的地方也很多：比如我們增加訓練的數據，使用正則化方法，使用更加大的神經網絡，調整學習率，改善優化策略等。但是其實這些方法的採取是需
2020-06-30 07:16:09
原创 深度學習筆記（40）：第五課第三週第二次作業
這一部分的實驗我覺得挺跳躍的，突然就到語音識別了 時間重疊判定 # GRADED FUNCTION: is_overlapping def is_overlapping(segment_time, previous_segmen
2020-06-30 07:16:09
原创 深度學習筆記（36）：第五課第一週第三次作業
前言 本週使用LSTM創作一首爵士小歌。 代碼 djmodel # GRADED FUNCTION: djmodel def djmodel(Tx, n_a, n_values): """ Implement t
2020-06-30 07:16:09
1
原创 深度學習筆記（30）：RNN循環神經網絡模型總結
本週的深度學習課程進入了第五課，也就是最後一課。學完這一段，我們應該就會開組會然後討論下一步的安排了。。。無論如何，該將重心重新挪回到算法，軟構，自動機等考試的準備上了。 前言 RNN循環神經網絡實際上是一種處理序列的專用網絡結構
2020-05-25 17:31:59
原创 深度學習筆記（27）：殘差網絡ResNet50簡介
前言 想要訓練足夠強大的神經網絡，我們就需要搭建足夠深度的網絡，但是深的網絡會不可避免地產生梯度爆炸或者梯度消失問題，使得訓練緩慢亦或者根本見不到明顯的下降。如下圖 我們的Relu函數和Batchnorm等都在解決這種問題，使得
2020-05-08 04:56:36
原创 深度學習筆記（26）：卷積神經網絡CNN簡介
前言 對於海量信息的高清圖像，如果我們使用傳統的全連接神經網絡，會造成所需要訓練的參數過多以致於無法訓練成功。這時候一種新的網絡模型被提出來，即CNN（Cov-Nerual-Network）。我們在下面對於其基本原理和需要注意的細
2020-05-08 04:56:36
原创 深度學習筆記（28）：目標探測
前言 我們再更多的情況下不僅僅想要將圖像分類，我們還想判斷這個物體到底在圖像的哪個部位上，所以說這時候目標探測應運而生。 目標探測，除了要使用softmax判斷類別外，還需要一個邊界框（以中心點的x，y和寬和高四個參數來體現）。
2020-05-08 04:56:36
原创 軟件構造心得（12）：關於JFrame、動態顯示、與交互界面製作的入門級心得
前言 GUI雖然不是我們軟件構造課程的核心思想所在，但是卻往往代表着一個軟件設計者外在而直接的品味。當然拋開這些不談，初次接觸GUI如我，因爲毫無基礎，面對網上魚龍混雜的說法真的嘗試而且崩潰了好久，多虧陶神佬相助爲我仙人指路，讓我
2020-05-06 05:57:10
原创 深度學習筆記（24）：第四課第二週第一次作業
前言 本次作業講了一些keras的基本用法，允許搭建自由度很高的CNN。 代碼 （參數是參考的） Keras非常適合快速製作原型，你可以在很短的時間內，建立一個能夠獲得出色結果的模型。 這是Keras中的模型構建示例： def m
2020-05-06 05:57:10
原创 深度學習筆記（25）：第四課第二週第二次作業
前言 本次實驗實現了殘差網絡ResNet。殘差網絡的一個重要的思想是skip，這樣可以加深神經網絡，使得深層次的神經網絡能夠下降，進而訓練出更好的神經網絡來。這次實驗我們可以從中瞭解到Reg50殘差網絡的結構，他的基本構成，並且使
2020-05-06 05:57:10
原创 深度學習筆記（23）：第四課第一週第二次作業
前言 在這次實驗，我們使用tensorflow搭建了一個前人實踐出來的CNN模型，參考了一下他們的各種超參數的設置和Conv的位置等。然後將代碼實現出來。總體來說還是不難的。 TensorFlow新學習的代碼條 tf.nn.con
2020-05-06 05:57:10
原创 深度學習筆記（22）：第四課第一週第一次作業
前言 本次作業練習了卷積神經網絡的一些基本操作，比如padding，卷積（convolution），還有池化（pooling），以及額外拓展了一下卷積神經網絡的反向傳播。其中，多個數據和多個頻道使得維數還是蠻多的比較容易混亂，我們
2020-05-02 04:12:32
原创 深度學習筆記（20）：結構化機器學習項目的一般策略總結（3）
手工分析的必要性：誤差分析 比如我們在分類貓模型中，得到了error是10%。我們去查看了判斷錯誤的測試集，嘗試去優化，使得模型更加準確。我們發現，模型將一些長得像貓的狗的照片分類出來了。那麼問題就來了，我們應不應該爲此專門地去設
2020-04-27 13:10:20
原创 深度學習筆記（20）：結構化機器學習項目的一般策略總結（下）
爲什麼是人的表現 爲什麼我們要把人的指標（準確度等）作爲機器學習準確度的標準，是因爲： 一方面，在很多領域，人的識別度是可以近似於貝葉斯誤差的，也就是所謂的誤差的最小值。所以我們實際上的bias判斷也並不是基於在train上的錯誤
2020-04-25 10:53:26