随笔分类 - 深度学习Andrew Ng
摘要：建立神经网络的步骤： 1.定义模型结构（eg输入特征的数量） 2.初始化模型的参数 3.循环求解最终参数： 计算当前损失（正向传播） 计算当前梯度（反向传播） 更新参数（梯度下降） 4.预测 提前加载和查看数据 1 import numpy as np 2 import matplotlib.pyp
阅读全文
摘要：构建一个模型，输入的是文字（比如“Let’s go see the baseball game tonight!”），输出的是表情（⚾️）。如果使用词向量，会发现即使训练集只明确地将几个单词与特定的表情符号相关联，模型也能够将测试集中的单词归纳、总结到同一个表情符号，甚至有些单词没有出现在你的训练集
阅读全文
摘要：1.余弦相似度 加载需要的包和词向量（选择加载训练好的词嵌入数据） 1 import numpy as np 2 from w2v_utils import * 3 4 #words：单词集合 5 #word_to_vec：字典类型，{word:该word的50维度的嵌入向量} 6 words, w
阅读全文
摘要：加载库 1 from keras.models import load_model, Model 2 from keras.layers import Dense, Activation, Dropout, Input, LSTM, Reshape, Lambda, RepeatVector 3 f
阅读全文
摘要：任务：构建字符级语言模型来生成新的名称 1.数据集与预处理 读取恐龙名称的数据集，创建一个唯一字符列表（a-z和\n），\n充当EOS名称结束的作用。 1 import numpy as np 2 import random 3 import time 4 import cllm_utils 5 6
阅读全文
摘要：1.循环神经网络的前向传播 1.1RNN单元 向量化m个样本，x<t>的维度为(nx,m)，a<t>的维度为(na,m) 1 import numpy as np 2 from rnn_utils import * 3 4 #单步前向传播 5 def rnn_cell_forward(xt, a_p
阅读全文
摘要：恒等块（Identity block） 和图中不同，下例中会跳过三个隐藏层，且路径中每一步先进行卷积操作，再Batch归一化，最后进行Relu激活。 相关函数： 实现Conv2D：参见这里 实现BatchNorm：参见这里 实现激活：使用Activation('relu')(X) 添加快捷方式传递的
阅读全文
摘要：在完成作业之前需要在虚拟环境中安装TensorFlow和Keras Keras中几个函数用法https://blog.csdn.net/u012969412/article/details/70882296/ 导包 1 import numpy as np 2 from keras import l
阅读全文
摘要：导包 1 import math 2 import numpy as np 3 import h5py 4 import matplotlib.pyplot as plt 5 import scipy 6 from PIL import Image 7 from scipy import ndima
阅读全文
摘要：导包 1 import numpy as np 2 import h5py 3 import matplotlib.pyplot as plt 4 5 plt.rcParams['figure.figsize'] = (5.0, 4.0) # set default size of plots 6
阅读全文
摘要：TensorFlow常用函数 1 import math 2 import numpy as np 3 import h5py 4 import matplotlib.pyplot as plt 5 import tensorflow as tf 6 from tensorflow.python.f
阅读全文
摘要：任务：损失函数𝐽 = 𝑤2 −10𝑤 +25，使用TensorFlow找到使损失函数最小的𝑤值。 import numpy as np import tensorflow as tf w=tf.Variable(0,dtype=tf.float32) cost=tf.add(tf.add(w
阅读全文
摘要：（批量）梯度下降法 1 import numpy as np 2 import matplotlib.pyplot as plt 3 import scipy.io 4 import math 5 import sklearn 6 import sklearn.datasets 7 8 from o
阅读全文
摘要：初始化 分别使用0、随机数和抑梯度异常初始化参数，比较发现抑梯度异常初始化参数可以得到更高的准确度。 原始数据： import numpy as np import matplotlib.pyplot as plt import sklearn import sklearn.datasets fro
阅读全文
摘要：深度神经网络计算过程 提前加载包 1 import numpy as np 2 import h5py 3 import matplotlib.pyplot as plt 4 from testCases_v2 import * 5 from dnn_utils import sigmoid, si
阅读全文
