clcwcxfwf的专栏

我们都很关心房价，对于一套房子，它到底值多少钱呢？我们能否建立一个模型来测算一套房子的价格？影响房子价格的因素比较多，如面积、地理位置、朝向、楼层、学位等。为了简化问题，我们暂且只考虑面积因素。我们到链家上找一些数据，下表是后海宝能太古城的面积与价格数据：面积(平米)价格(万)4344846500475205962

对于人类来说，识别手写的数字是一件非常容易的事情。我们甚至不用思考，就可以看出下面的数字分别是5,0,4,1。但是想让机器识别这些数字，则要困难得多。如果让你用传统的编程语言(如Java)写一个程序去识别这些形态各异的数字，你会怎么写？写很多方法去检测横、竖、圆这些基本形状，然后计算它们的相对位置？我想你很快就会陷入绝望之中。即使你花很多时间写出来了程序，精确度也一定不高。

在上一篇文章中我们用Softmax Regression进行了手写数字的识别，精度达到了92%，非常的鼓舞人心。现在让我们进入神经网络的世界，用一个最简单的神经网络来进行手写数字的识别，数据集还是选择MNIST。因为图片的大小是28 * 28像素，所以需要784个输入神经元。输出是0~9这10个数字，所以用10个神经元作为output layer。既然是最简单的神经网络，那我们就只用1层的hi

在前两篇文章中，分别用Softmax回归和普通的3层神经网络在MNIST上进行了手写数字的识别。这两种方法都是将图片转换成一维的数组进行处理，没有考虑图片的二维结构信息，所以准确率都还不够高。在这篇文章中，我们将用提取了图片二维结构信息的卷积神经网络(Convolutional Neural Network, CNN)来进行手写数字的识别。普通的神经网络是Fully Connected N

这一波的深度学习浪潮源自2012年ImageNet比赛冠军所用的深度卷积神经网络(AlexNet)，这篇文章就来解读一下这个网络。2012年，Alex Krizhevsky及其同学Ilya Sutskever在多伦多大学Geoff Hinton的实验室设计了一个深层的卷积神经网络，夺得了2012年ImageNet LSVRC的冠军，且准确率远超第二名（top5 error rate 1

Tensor翻译成中文是“张量”，在数学和物理学中运用较多，那么TensorFlow中的Tensor到底是什么呢？

周末看了一下5月7号举行的2019 Google I/O大会。整场大会基本围绕Google Search，Google Lens，Google Go，Duplex，Google Assistant，Federated Learning，Android Q，Nest Hub Max，Pixel手机，Google AI这些产品或技术进行。贯穿整个大会的有两条主线，一个是机器学习（或者说深度学习）的发展...