摘要：
本文结构： 什么是感知器 有什么用 代码实现 1. 什么是感知器 如下图，这个神经网络中，每个圆圈都是一个神经元，神经元也叫做感知器 只有一个隐藏层的神经网络就能拟合任何一个函数，但是它需要很多很多的神经元。 而深层网络用相对少的神经元就能拟合同样的函数，但是层数增加了，不太容易训练，需要大量的数据 阅读全文
摘要：
本文结构： 模型 训练算法 基于 RNN 的语言模型例子 代码实现 1. 模型 和全连接网络的区别 更细致到向量级的连接图 为什么循环神经网络可以往前看任意多个输入值 循环神经网络种类繁多，今天只看最基本的循环神经网络，这个基础攻克下来，理解拓展形式也不是问题。 首先看它和全连接网络的区别： 下图是 阅读全文
摘要：
本文结构： 什么是 Recurrent Neural Networks ？ Recurrent Neural Networks 的优点和应用？ 训练 Recurrent Neural Networks 的问题？ 如何解决？ 何时用 RNN 何时用前馈网络呢？ 什么是 Recurrent Neural 阅读全文
摘要：
timeline 1998， Yann LeCun 的 LeNet5 图像特征分布在整个图像上 在具有很少参数的多个位置上提取类似特征时，具有可学习的参数的卷积是个比较有效的方法 在没有应用GPU的时候，能够保存参数和计算就成了一个关键优势 LeNet5并没有把每个像素都作为大型多层神经网络的一个输 阅读全文
摘要：
为了应对神经网络很容易过拟合的问题，2014年 Hinton 提出了一个神器， **Dropout: A Simple Way to Prevent Neural Networks from Overfitting ** (original paper: http://jmlr.org/papers 阅读全文
摘要：
是近些年在机器视觉领域很火的模型，最先由 Yan Lecun 提出。 如果想学细节可以看 Andrej Karpathy 的 cs231n 。 How does it work? 给一张图片，每个圆负责处理图片的一部分。 这些圆就组成了一个 filter。 filter 可以识别图片中是否存在指定的 阅读全文
摘要：
1. 神经网络 在之前写过的一篇文章中也有神经网络的简要概述。轻松看懂机器学习十大常用算法 Neural Networks 适合一个input可能落入至少两个类别里 NN 由若干层神经元，和它们之间的联系组成 第一层是 input 层，最后一层是 output 层 在 hidden 层 和 outp 阅读全文
摘要：
本文结构： 什么是线性单元 有什么用 代码实现 1. 什么是线性单元 线性单元和感知器的区别就是在激活函数： 感知器的 f 是阶越函数： 线性单元的激活函数是线性的： 所以线性模型的公式如下： 2. 有什么用 感知器存在一个问题，就是遇到线性不可分的数据时，就可能无法收敛，所以要使用一个可导的线性函 阅读全文
摘要：
通过本篇文章可以对ML的常用算法有个常识性的认识，没有代码，没有复杂的理论推导，就是图解一下，知道这些算法是什么，它们是怎么应用的，例子主要是分类问题。 每个算法都看了好几个视频，挑出讲的最清晰明了有趣的，便于科普。 以后有时间再对单个算法做深入地解析。 今天的算法如下： 决策树 随机森林算法 逻辑 阅读全文
摘要：
Keras 是一个兼容 Theano 和 Tensorflow 的神经网络高级包, 用他来组件一个神经网络更加快速, 几条语句就搞定了. 而且广泛的兼容性能使 Keras 在 Windows 和 MacOS 或者 Linux 上运行无阻碍. 今天来对比学习一下用 Keras 搭建下面几个常用神经网络 阅读全文