随笔分类 - 深度学习
《神经网络与深度学习》第六章 循环神经网络
摘要:第六章 循环神经网络 在前馈神经网络中,信息的传递是单向的,这种限制虽然使得网络变得更容易学习,但在一定程度上也减弱了神经网络模型的能力.在生物神经网络中,神经元之间的连接关系要复杂得多.前馈神经网络可以看作一个复杂的函数,每次输入都是独立的,即网络的输出只依赖于当前的输入.但是在很多现实任务中,网
基于LSTM的多变量多输出温湿度预测
摘要:1、模块导入 import tensorflow as tf import matplotlib as mpl import matplotlib.pyplot as plt import numpy as np import os import pandas as pd import seabor
基于LSTM实现多变量预测(Tensorflow2实现)
摘要:这篇文章的内容来自B站UP主唐国梁Tommy老师的视频 TensorFlow 2.0 基于LSTM多变量_共享单车使用量预测: https://www.bilibili.com/video/BV1y5411K7NR 案例实现思路: 模块导入 加载数据集、预处理 数据可视化 数据预处理 特征工程 模型
基于LSTM实现单变量预测(Tensorflow2实现)
摘要:这篇文章的内容来自B站UP主唐国梁Tommy老师的视频 TensorFlow 2.0 基于LSTM单变量预测_电力消耗案例: https://www.bilibili.com/video/BV1f5411K7qD 案例实现思路: 模块导入 加载数据集、预处理 特征工程 构建模型 模型编译、训练、验证
TensorFlow 2.0 笔记(六)循环神经网络
摘要:第六章 循环神经网络 本节主要内容:讲解卷积神经网络,利用基础CNN、LeNet、AlexNet、VGGNet、InceptionNet和ResNet实现图像识别。 本节目标:学习循环神经网络,用 RNN、LSTM、GRU实现连续数据的预测(以股票预测为例) 1 卷积神经网络与循环神经网络简单对比
TensorFlow 2.0 笔记(五)卷积神经网络
摘要:第五章 卷积神经网络 本节主要内容:讲解卷积神经网络,利用基础CNN、LeNet、AlexNet、VGGNet、InceptionNet和ResNet实现图像识别。 1 全连接网络回顾 全连接NN特点:每个神经元与前后相邻层的每一个神经元都有连接关系。(可以实现分类和预测) 全连接网络的参数个数为:
TensorFlow 2.0 笔记(四)功能扩展
摘要:第四章 神经网络优化 1 回顾 1.1 tf.keras 搭建神经网络八股——六步法 import——导入所需的各种库和包 x_train, y_train——导入数据集、自制数据集、数据增强 model=tf.keras.models.Sequential /class MyModel(Model
TensorFlow 2.0 笔记(三)神经网络搭建八股
摘要:第三章 神经网络搭建八股 1 tf.keras 搭建网络八股 1.1 keras 简介 tf.keras 是 tensorflow2 引入的高封装度的框架,可以用于快速搭建神经网络模型,keras 为支持快速实验而生,能够把想法迅速转换为结果,是深度学习框架之中最终易上手的一个,它提供了一致而简洁的
TensorFlow 2.0 笔记(二)神经网络优化
摘要:第二章 神经网络优化 1 神经网络复杂度 NN复杂度:多用NN层数和NN参数的个数表示 1.1 时间复杂度 即模型的运算次数,可用浮点运算次数(FPLOPs, FLoating-point OPerations)或者乘加运算次数衡 量. 1.2 空间复杂度 空间复杂度(访存量),严格来讲包括两部分:
TensorFlow 2.0 笔记(一)神经网络计算过程及模型搭建
摘要:第一章 神经网络计算过程及模型搭建 1 人工智能三学派 我们常说的人工智能,就是让机器具备人的思维和意识。人工智能主要有三个学派,即行为主义、符号主义和连接主义。 **行为主义:**是基于控制论的,是在构建感知、动作的控制系统。单脚站立是行为主义一个典型例子,通过感知要摔倒的方向,控制两只手的动作,
《神经网络与深度学习》第五章 卷积神经网络
摘要:第五章 卷积神经网络(CNN) 卷积神经网络是一种具有局部连接、权重共享等特性的深层前馈神经网络。 在用全连接前馈网络来处理图像时,会出现的问题: 参数太多;导致训练效率降低,容易出现过拟合; 需要进行数据增强来提取局部不变性特征(图像的平移、旋转、缩放等操作)。 全连接前馈网络很难提取这些局部不变
《神经网络与深度学习》第四章 前馈神经网络
摘要:第四章 前馈神经网络 **人工神经网络(ANN):**指一系列受生物学和神经科学启发的数学模型。简称为神经网络(NN)or神经模型。 连接主义模型: 最早的连接主义模型:20世纪80年代后期,分布式并行处理模型(PDP); 特点: (1)信息表示是分布式的(非局部的) (2)记忆和知识是存储在单
反向传播
摘要:一、正向传播 正向传播(FP - Forward Propagation) 前一层的输出作为后一层的输入的逻辑结构,每一层神经元仅与下一层的神经元全连接,通过增加神经网络的层数虽然可为其提供更大的灵活性,让网络具有更强的表征能力,也就是说,能解决的问题更多,但随之而来的数量庞大的网络参数的训练,一直
《神经网络与深度学习》第三章 线性模型
摘要:第三章 线性模型 线性模型(Linear Model)是机器学习中应用最广泛的模型,指通过样本特征的线性组合来进行预测的模型。 线性模型: 决策函数(非线性):在分类问题中 也称为判别函数; 符号
《神经网络与深度学习》第二章 机器学习概述
摘要:第三章 线性模型 线性模型(Linear Model)是机器学习中应用最广泛的模型,指通过样本特征的线性组合来进行预测的模型。 线性模型: 决策函数(非线性):在分类问题中 也称为判别函数; 符号
《神经网络与深度学习》第一章 绪论
摘要:第一章 绪论 深度学习是机器学习的一个分支,是指一类问题以及解决这类问题的方法。 神经网络:一种以(人工)神经元为基本单元的模型 深度学习主要解决贡献度分配问题 每个组件都会对信息进行加工,并进而影响后续的组件,所以当得到最后的输出结果时,我们并不清楚其中每个组件的贡献度是多少。 (人工)神经网络: