Findingxu的博客

作者：只为自己熟悉和理解技术文档，记录笔记所用Sequential 顺序模型：顺序模型是多个网络层的线性堆叠，1.创建模型：（1）讲网络层实列传递给Sequential的构造器，来创建模型from keras.models import Sequentialfrom keras.layers import Dense, Activationmodel = Sequential(...

作者：《python深度学习》学习笔记，用于自己熟悉和理解目录1.实现单词级的one-hot编码:稀疏，高维，硬编码2.使用词嵌入word embeding：密集，低维，学习得到2.1 方法一：利用 Embedding 层学习得来2.2 方法二： 使用预训练的词嵌入参考深度学习模型不会接收原始文本作为输入，它只能处理数值张量。文本向量化（vectorize）是指将文本转...

作者：《python深度学习》学习笔记，用于自己熟悉和理解接着上篇的 《Keras系列之文本向量化》使用预训练的词嵌入，在数据集较小的情况下，难以学习到足够好的embedding层，选择一些权威的官方词嵌入数据库能够有效解决数据集的问题。话不多说，例子如下,在书上代码基础上进行改进和添加注释，适合小白。IMDB数据集：http://mng.bz/0tIo，glove词嵌入文件：htt...

作者：《python深度学习》学习笔记，用于自己熟悉和理解 目录1. LSTM实践    2.GRU实践3.循环神经网络的高级用法3.1 循环 dropout（recurrent dropout）3.2 堆叠循环层（stacking recurrent layers）3.3 双向循环层（bidirectional recurrent layer）3.4 更多尝试...

作者：《python深度学习》学习笔记，用于自己熟悉和理解目录1.背景2.序列数据的一维卷积3.序列数据的一维池化4.一维卷积神经网络的实现5.结合 CNN 和 RNN 来处理长序列 5.1 一维卷积神经网络的缺点5.2 结合的优点5.3 实现结合一维卷积基和 GRU 层的模型1.背景卷积神经网络在计算机视觉领域表现优异，同样也让它对序列处理特别有效。时...