摘要：
代码：使用tensorflow进行数据点的线性拟合操作 第一步：使用np.random.normal生成正态分布的数据 第二步：将数据分为X_data 和 y_data 第三步：对参数W和b, 使用tf.Variable()进行初始化，对于参数W，使用tf.random_normal([1], -1 阅读全文
摘要：
1. 使用tf.random_normal([2, 3], mean=-1, stddev=4) 创建一个正态分布的随机数 参数说明：[2, 3]表示随机数的维度，mean表示平均值，stddev表示标准差 代码：生成一个随机分布的值 2. np.random.shuffle(y) # 对数据按照行 阅读全文
摘要：
1.tf.Variable([[1, 2]]) # 创建一个变量 参数说明：[[1, 2]] 表示输入的数据，为一行二列的数据 2.tf.global_variables_initializer() 进行变量全局的初始化操作 参数说明：如果代码中存在变量，那么一定需要进行初始化操作 3.tf.mat 阅读全文
摘要：
LSTM网络是有LSTM每个单元所串接而成的， 从下面可以看出RNN与LSTM网络的差异， LSTM主要有控制门单元和输出门单元组成 控制门单元又是由遗忘门单元和记忆门单元的加和组成。 1.控制门单元， 与最后的输出层做相乘操作，决定什么样的信息会被保留 2.遗忘门单元：上一层的控制门单元Ct-1直 阅读全文
摘要：
对于神经网络而言，每一个样本的输入与输入直接都是独立的，即预测的结果之间并没有联系 而对于RNN而言：不仅仅是有当前的输入，而且上一层的隐藏层也将进行输入，用于进行结果的预测。因此每一个输入都与之前的输入可以通过隐藏层的输入而产生联系。 这种特性在自然语言的处理中使用较广，即当前输入预测下一个词，与 阅读全文
摘要：
目标检测的选框操作：第一步：找出一些边缘信息，进行图像合并，获得少量的边框信息 1.R-CNN， 第一步：进行图像的选框，对于选出来的框，使用卷积计算其相似度，选择最相似ROI的选框，即最大值抑制ROI，进行了选框的合并 第二步：对每一个选出来的框进行回归和分类，回归的目的是为了对选框位置信息进行调 阅读全文
摘要：
对于图像的目标检测任务：通常分为目标的类别检测和目标的位置检测 目标的类别检测使用的指标：准确率， 预测的结果是类别值，即cat 目标的位置检测使用的指标：欧式距离，预测的结果是(x, y, w, h) x和y表示的是左上角的位置，w和h表示的是矩形框的宽和高 目标检测是分类和回归都进行的一种算法 阅读全文
摘要：
1.AlexNet是2012年最早的第一代神经网络，整个神经网络的构架是8层的网络结构。网络刚开始使用11*11获得较大的感受野，随后使用5*5和3*3做特征的提取，最后使用3个全连接层做得分值得运算，使用的是softmax分类器 2. VGG-net，网络的特点是全部使用3*3的卷积，通常有两个版 阅读全文
摘要：
感受野：对于第一次卷积，如果卷积核是3*3，那么卷积的感受野就是3*3，如果在此卷积上，再进行一次卷积的话，那么这次的卷积的感受野就是5*5 因为5*5的区域，卷积核为3*3， 卷积后每一个点的感受野是3*3，卷积后的区域为3*3 第二次卷积还用用3*3的卷积的话，第二次卷积的结果就变成了1*1，因 阅读全文
摘要：
迁移学习：主要有3类， 第一类，使用别人训练好的权重参数，作为初始化权重参数，进行接下来的训练 第二类：使用别人训练好的权重参数，冻结预测层之前的所有的权重参数，进行接下来的训练 第三类：使用别人训练好的权重参数，即finetune，不冻结最后一个卷积层和全连接层，对这两个层进行参数的更新和训练 代 阅读全文
摘要：
数据增强表示的是，在原始图像的基础上，对数据进行一定的改变，增加了数据样本的数量，但是数据的标签值并不发生改变， 图片中可以看出对猫这张图片进行了灰度值的变化，但是猫的标签并没有发生改变 常见的数据增强的策略： 1. Horizontal flips 翻转， 左右翻转，将左边的像素点放在右边，将右边 阅读全文
摘要：
卷积神经网络：下面要说的这个网络，由下面三层所组成 卷积网络：卷积层 + 激活层relu+ 池化层max_pool组成 神经网络：线性变化 + 激活层relu 神经网络： 线性变化(获得得分值) 代码说明： 代码主要有三部分组成 第一部分： 数据读入 第二部分：模型的构建，用于生成loss和梯度值 阅读全文