上一页 1 ··· 3 4 5 6 7 8 9 10 11 ··· 18 下一页
摘要: 循环自动编码器 如果要为序列构建自动编码器,例如时间序列和文本(例如,用于无监督学习或降维),那么递归神经元可能比密集网络更合适。构建循环自动编码器非常简单直接:编码器通常是序列到向量的RNN,它将输入序列压缩为单个向量。解码器是向量到序列RNN,做相反的处理: from tensorflow im 阅读全文
posted @ 2022-01-06 18:48 里列昂遗失的记事本 阅读(371) 评论(0) 推荐(0) 编辑
摘要: 卷积自动编码器 如果要处理图像,目前为止的自动编码器都无法很好的工作(除非图像非常小),卷积神经网络比密集网络更适合处理图像。如果要为图像构建自动编码器(例如,用于无监督预训练或降维),则需要构建卷积自动编码器。编码器是由卷积层和池化层组成的常规CNN。它通常会减小输入的空间尺寸(即高度和宽度),同 阅读全文
posted @ 2022-01-06 18:32 里列昂遗失的记事本 阅读(436) 评论(0) 推荐(0) 编辑
摘要: 堆叠式自动编码器 自动编码器可以具有多个隐藏层。在这种情况下,它们被称为堆叠式自动编码器(或深度自动编码器)。添加更多的层有助于自动编码器学习更多的复杂的编码。就是说,要注意不要使自动编码器过于强大。想象一个强大的编码器,它只是学会了把每个输入映射到单个任意数字(而解码器则学习反向映射)。显然这样的 阅读全文
posted @ 2022-01-06 18:16 里列昂遗失的记事本 阅读(1987) 评论(0) 推荐(0) 编辑
摘要: 支持函数式编程的包 Python的目标不是变成函数式语言,但是得益于operator和functools等包的支持,函数式编程风格也可以信手拈来 operator模块 在函数式编程中,经常需要把算术运算符当作函数使用。例如,不适使用递归计算阶乘。求和可以使用sum函数,但是求积没有这样的函数。可以使 阅读全文
posted @ 2022-01-04 21:45 里列昂遗失的记事本 阅读(35) 评论(0) 推荐(0) 编辑
摘要: 函数注解 Python 3提供了一种句法,用于为函数声明中的参数和返回值附加元数据 # 有注解的clip函数 def clip(text: str, max_len: 'int>0' = 80) -> str: # max_len参数的注解是字符串 '''在max_len前面或后面的第一个空格处截断 阅读全文
posted @ 2022-01-04 21:08 里列昂遗失的记事本 阅读(44) 评论(0) 推荐(0) 编辑
摘要: 获取关于参数的信息 HTTP微框架Bobo有个使用内省函数的例子 # Bobo直到hello需要person参数,并且从HTTP请求中获取它 import bobo @bobo.query('/') def hello(person): return 'Hello %s!' % person bob 阅读全文
posted @ 2021-12-31 13:06 里列昂遗失的记事本 阅读(45) 评论(0) 推荐(0) 编辑
摘要: 使用不完整的线性自动编码器执行PCA 如果自动编码器仅使用线性激活,并且成本函数是均方误差MSE,则最后执行的是主成分分析(PCA) 以下代码构建了一个简单的线性自动编码器,来对3D数据集执行PCA,将其投影到2D: from tensorflow import keras encoder = ke 阅读全文
posted @ 2021-12-30 22:37 里列昂遗失的记事本 阅读(64) 评论(0) 推荐(0) 编辑
摘要: 有效的数据表示 你发现以下哪个数字顺序最容易记忆? 40,27,25,36,81,57,10,73,19,68 50,48,46,44,42,40,38,36,34,32,30,28,26,24,22,20,18,16,14 乍一看,第一个序列似乎应该更容易些,因为它要短得多。但是,如果仔细看第二个 阅读全文
posted @ 2021-12-30 21:34 里列昂遗失的记事本 阅读(57) 评论(0) 推荐(0) 编辑
摘要: 拟牛顿法(Python实现) 使用拟牛顿法(BFGS和DFP),分别使用Armijo准则和Wolfe准则来求步长 求解方程 $f(x_1,x_2)=(x_1^2-2)^4+(x_1-2x_2)^2$的极小值 import numpy as np # import tensorflow as tf d 阅读全文
posted @ 2021-12-30 11:55 里列昂遗失的记事本 阅读(1438) 评论(0) 推荐(0) 编辑
摘要: 共轭梯度法(Python实现) 使用共轭梯度法,分别使用Armijo准则和Wolfe准则来求步长 求解方程 $f(x_1,x_2)=(x_1^2-2)^4+(x_1-2x_2)^2$的极小值 import numpy as np # import tensorflow as tf def gfun( 阅读全文
posted @ 2021-12-30 01:55 里列昂遗失的记事本 阅读(1879) 评论(0) 推荐(0) 编辑
上一页 1 ··· 3 4 5 6 7 8 9 10 11 ··· 18 下一页