摘要：
强化学习(Reinforcement Learning)简介 强化学习是机器学习中的一个领域，强调如何基于环境而行动，以取得最大化的预期利益。其灵感来源于心理学中的行为主义理论，即有机体如何在环境给予的奖励或惩罚的刺激下，逐步形成对刺激的预期，产生能获得最大利益的习惯性行为。 它主要包含四个元素，环 阅读全文
摘要：
1.什么是迁移学习 迁移学习(Transfer Learning)是一种机器学习方法，就是把为任务 A 开发的模型作为初始点，重新使用在为任务 B 开发模型的过程中。迁移学习是通过从已学习的相关任务中转移知识来改进学习的新任务，虽然大多数机器学习算法都是为了解决单个任务而设计的，但是促进迁移学习的算 阅读全文
摘要：
GAN存在问题 训练困难，G和D多次尝试没有稳定性，Loss无法知道能否优化，生成样本单一，改进方案靠暴力尝试 WGAN GAN的Loss函数选择不合适，使模型容易面临梯度消失，梯度不稳定，优化目标不定导致模型失败，WGAN，找到了更为合适的Loss函数，使得梯度呈线性，事实上WGAN对判别器权重进 阅读全文
摘要：
在弄清楚InfoGAN之前，可以先理解一下变分推断目的以及在概率论中的应用与ELBO是什么，以及KL散度 https://blog.csdn.net/qy20115549/article/details/93074519 https://blog.csdn.net/qy20115549/articl 阅读全文
摘要：
训练方法DCGAN 的训练方法跟GAN 是一样的，分为以下三步： （1）for k steps：训练D 让式子[logD(x) + log(1 - D(G(z)) (G keeps still)]的值达到最大 （2）保持D 不变，训练G 使式子[logD(G(z))]的值达到最大 （3）重复step 阅读全文
摘要：
生成对抗网络（GAN）由2个重要的部分构成： 生成器G(Generator)：通过机器生成数据（大部分情况下是图像），目的是“骗过”判别器 判别器D(Discriminator)：判断这张图像是真实的还是机器生成的，目的是找出生成器做的“假数据” 生成对抗网络的工作过程： 第一阶段：固定判别器D，训 阅读全文
摘要：
以下叙述只是简单的叙述，CNN+RNN(LSTM,GRU)的应用相关文章还很多，而且研究的方向不仅仅是下文提到的1. CNN 特征提取，用于RNN语句生成图片标注。2. RNN特征提取用于CNN内容分类视频分类。3. CNN特征提取用于对话问答图片问答。还有很多领域，比如根据面目表情判断情感，用于遥 阅读全文
摘要：
二叉树的遍历实现，可以用递归的方法也可以用非递归的方法。非递归的方法可以借助栈（前序遍历，中序遍历，后序遍历），也可以借助队列（层次遍历）。本次笔记只使用了递归的方法来进行前序遍历，中序遍历，后序遍历，借助队列进行层次遍历。想要更细致的看一下二叉树的遍历推荐http://c.biancheng.ne 阅读全文
摘要：
Word2Vec的主要目的适用于词的特征提取，然后我们就可以用LSTM等神经网络对这些特征进行训练。 由于机器学习无法直接对文本信息进行有效的处理，机器学习只对数字，向量，多维数组敏感，所以在进行文本训练之前还要做一些转化工作，Word2Vec就是担负此重任的有效工具，当然还有其他工具，就不再说明。 阅读全文
摘要：
http://www.sohu.com/a/259957763_610300此篇文章绕开了数学公式，对LSTM与GRU采用图文并茂的方式进行说明，尤其是里面的动图，让人一目了然。https://zybuluo.com/hanbingtao/note/581764此篇文章对代码部分给予了充分说明。LS 阅读全文