chizhonghang的博客

论文地址：传送门 1.Introduction 这篇论文是2014年Google团队提出的一篇论文，当时DNN非常流行，对于语音识别等任务的效果也非常不错，但是DNN是有限制的。比如做MT任务等等，这些序列任务其实对于输出来讲，长度的可变的，例如：English译为“英语”，实际上序列的长度发生了变化，传统的DNN是解决不了这个问题的，于是Google团队提出了seq-to-seq模型的概念。 作者选择WMT’14的数据集和英语译为法语的翻译任务为例，将最后的结果和当时SMT的模型做对比，结果基于LSTM的

记录一下keras代码学习过程，LeNet-5的网络结构就不在这里叙述了，推荐知乎一位大神的讲解：https://zhuanlan.zhihu.com/p/74176427. 代码： import numpy as np import matplotlib.pyplot as plt from keras.datasets import mnist from keras.models import Sequential from keras.layers import Flatten, Dense, C.

使用python实现两层神经网络（HW3） 记录一下手动实现一个两层的全连接神经网络，主要针对于李宏毅老师HW3的7分类问题。本来是想拿NN SVG画一下这个结构，结果维度太高，它死机了。。（好吧，是我太菜了，，不太会用），所以用一个小的结构代替一下，就是一个简单的FCNN bp算法就不写在这里了，其他的大神都讲的很不错的。 网络大概结构： 源代码： import numpy as np import matplotlib.pyplot as plt from keras.utils import