摘要：恢复内容开始 前面，读书笔记用加入正则化损失模型效果带来的提升要相对显著。 变量管理： 目的：当神经网络的结构更加复杂，参数更多的时候，就需要一个更好的方式来管理神经网络中的参数。 解决方法：提供了通过变量名称来创建或者获取一个变量的机制。 作用：在不同的函数可以通过变量的名字来使用变量。而不需要通 阅读全文

摘要：生成模型： 通过观测学习样本和标签的联合概率分布P（X,Y）进行训练，训练好的模型能够生成符合样本分布的新数据，在无监督学习方面，生成式模型能够捕获数据的高阶相关性，通过学习真实数据的本质特征，刻画样本数据的分布特征，生成与训练样本相似的新数据 生成式模型的分类：1. Autoencoder 2.自 阅读全文

摘要：过拟合： 真实的应用中，并不是让模型尽量模拟训练数据的行为，而是希望训练数据对未知做出判断。 模型过于复杂后，模型会积极每一个噪声的部分，而不是学习数据中的通用 趋势。当一个模型的参数比训练数据还要多的时候，这个模型就可以记忆这个所以训练数据的结果，而使损失函数为0. 避免过拟合的常用方法：正则化。 阅读全文

摘要：1 import tensorflow as tf 2 from tensorflow.examples.tutorials.mnist import input_data 3 4 '''数据下载''' 5 mnist=input_data.read_data_sets('Mnist_data',one_hot=True) 6 #one_hot标签 7 8 ''... 阅读全文

摘要：线性拟合的思路： 线性拟合代码： 神经网络拟合二次函数（带噪声） 代码： 补充知识 ： 1.tf.random.uniform() 符合均匀分布 tf.random.normal() 符合正太分布 2.np.newaxis补充知识 ： import numpy as npa=np.array([1, 阅读全文