赵代码

摘要： 在进行模型搭建时常用的解决过拟合的方法有以下几种： · 采用更多的数据 · 迫使模型的复杂度降低（减少层数、正则化） · dropout（提高鲁棒性） · 提早结束训练过程 · 数据增强 这里重点讲正则化(regularization) 假定对于一个二分类问题，它的交叉熵损失函数为 J(ω) = - 阅读全文

摘要： 在真实的应用中，我们往往想要的不仅仅是模型能够在训练集上表现良好，而是希望训练得到的模型也能在未知的新输入数据上（这些新输入数据就是测试集）表现良好。这种能在未知的新输入数据上表现良好的能力被称为泛化。模型在未知的新输入数据上得到的误差称为泛化误差，或测量误差，我们也希望泛化误差很低。在降低训练误差 阅读全文

摘要： 模型的保存与加载一般有三种模式：save/load weights（最干净、最轻量级的方式，只保存网络参数，不保存网络状态），save/load entire model（最简单粗暴的方式，把网络所有的状态都保存起来），saved_model（更通用的方式，以固定模型格式保存，该格式是各种语言通用的 阅读全文

摘要： 使用到的API有：keras.Sequential、Layers/Model 1.keras.Sequential 以前的代码已经很多次用到了这个接口，这里直接给出代码： model = Sequential([ layers.Dense(256,activation=tf.nn.relu), # 阅读全文

摘要： 在tf.keras中，metrics其实就是起到了一个测量表的作用，即测量损失或者模型精度的变化。metrics的使用分为以下四步： step1:Build a meter acc_meter = metrics.Accuracy() loss_meter = metrics.Mean() step 阅读全文

摘要： Fragment是个特别的存在，有点像报纸上的专栏，看起来只占据页面的一小块，但是这一小块有自己的生命周期，可以自行其是，仿佛独立王国，并且这一小块的特性无论在哪个页面，给一个位置就行，添加以后不影响宿主页面的其他区域，去除后也不影响宿主页面的其他区域。每个fragment都有自己的布局文件，依据其 阅读全文

摘要： 单层的感知机结构可写成以下公式： y=XW+b(y = Σxi*wi+b) 这里单层感知机的激活函数改成使用现代化的sigmoid激活函数 # 定义网络结构 x=tf.random.normal([1,3]) w=tf.ones([3,1]) b=tf.ones([1]) y = tf.consta 阅读全文

摘要： 1.MSE（均方误差） MSE是指真实值与预测值（估计值）差平方的期望，计算公式如下： MSE = 1/m (Σ(ym-y'm)2)，所得结果越大，表明预测效果越差，即y和y'相差越大 y = tf.constant([1,2,3,0,2]) y = tf.one_hot(y,depth=4) y 阅读全文

摘要： 对于神经网络的全连接层，前面已经使用矩阵的运算方式实现过，本篇将引入tensorflow中层的概念， 正式使用deep learning相关的API搭建一个全连接神经网络。下面是全连接神经网络的结构图 其中，x1,x2,x3为输入，a1,a2,a3为输出，运算关系如下： x1,x2,x3所在的层叫神 阅读全文

摘要： 本篇涉及的内容主要有小型常用的经典数据集的加载步骤，tensorflow提供了如下接口：keras.datasets、tf.data.Dataset.from_tensor_slices(shuffle、map、batch、repeat)，涉及的数据集如下：boston housing、mnist/ 阅读全文