摘要：
视频原址：https://www.bilibili.com/video/av10352133/ 导数到底是什么？ 有一种说法是，导数就是函数的瞬时变化率。 但是这种说法有一个悖论，变化需要一个时间段让变化发生。而瞬时，一个时间点上也就没有变化的余地了。 我们还是从之前的小汽车的例子中探寻导数的意义。 阅读全文
摘要：
整理3Blue1Brown的课程内容，方便随时翻看。 原视频地址：https://www.bilibili.com/video/av10308208/ 前文中，我们用一种先切分划分微小值的方式，将一个大问题划分为若干小问题，然后获得一个求得近似解的方法。 之后，我们通过将划分值不断缩小的方式，将原来 阅读全文
摘要：
整理3Blue1Brown的课程内容，方便随时翻看。 原视频地址：https://www.bilibili.com/video/av10308208/ 要了解微积分的本质，我们从一个大家都知道的公式说起。这个公式就是求圆的面积公式：A=πr² 我们将用微积分的方式来推导这个公式，在这个过程中，我们将 阅读全文
摘要：
获取行/列中最大值的索引号。 axis：0按列，1按行。 举个例子 [[1,2,3,4]] 会得到 [0 0 0 0] [3] 因为按列算，每一列的第唯一一个数组就是最大的数字，其索引号都是0。所以所有的列返回的都是0,总共有4列所以返回:[0,0,0,0] 按行计算得到的就是这一行4个数字中最大的 阅读全文
摘要：
在采用梯度下降法训练的神经网络中，使用滑动平均模型都可以提高神经网络在测试模型中的表现。 TensorFlow 提供了tf.train.ExponentialMovingAverage来实现滑动平均值模型。 在初始化滑动平均模型是，要传入一个衰减率参数，这个衰减率用来控制模型的更新速度。 tf.tr 阅读全文
摘要：
所谓过拟合，就是当一个模型过于复杂后，它可以很好的处理训练数据的每一个数据，甚至包括其中的随机噪点。而没有总结训练数据中趋势。使得在应对未知数据时错误里一下变得很大。这明显不是我们要的结果。 我们想要的是在训练中，忽略噪点的干扰，总结整体趋势。在应对未知数据时也能保持训练时的正确率。 上图中第一种情 阅读全文
摘要：
当我们的神经网络拥有很复杂的模块时，我们使用TensorFlow提供的变量作用域(tf.variable_scope)来管理这些变量。 变量作用域的两个核心方法： 在上一篇文章中，我们已经有用到这两个方法，这一篇我们聚焦在这两方法的具体说明上。 tf.get_variable方法在创建初始化变量的时 阅读全文
摘要：
之前通过CNN进行的MNIST训练识别成功率已经很高了，不过每次运行都需要消耗很多的时间。在实际使用的时候，每次都要选经过训练后在进行识别那就太不方便了。 所以我们学习一下如何将训练习得的参数保存起来，然后在需要用的时候直接使用这些参数进行快速的识别。 本章节代码来自《Tensorflow 实战Go 阅读全文
摘要：
对于分类问题，我们一般用交叉熵来测算计算值与真实的差距。 交叉熵表现的是两个概率分布之间的差距。差距越大，交叉熵越大；差距越小，交叉熵越小。 这么说还是有点抽象。打个比方： 一个分类问题，正确答案是(1,0,0)。 一个预测模型经过softmax回归后给出的答案是 (0.5,0.4,0.4) 那么与 阅读全文
摘要：
在之前的几个例子中都出现了如上代码。 这个优化算法的参数就是学习效率。那么这个学习效率是什么意思，到底取什么样的值比较好呢？ 之前已经讲过，优化算法会反向修改函数中设置为Variable的变量值，使得误差逐步缩小。而这里的学习效率就是Variable更新变化的幅度。 如果幅度过大，参数就很可能跨过最 阅读全文