LittleSeedling的博客

搭建循环神经网络及其应用流程总结RNN前向传播/训练过程怎么样的？采样sample()的过程是怎么样的？遇到的一些问题np.random.choicenumpy中的ravel() 和 flatten()python中的strip()AttributeError: module 'time' has no attribute 'clock'IPython无法播放音乐python Lambda表达式keras.layers.Lambda实验部分1. RNN前向传播2. LSTM前向传播3. 字符级别语言模型-恐

深度神经网络数据集介绍模型搭建初始始化参数前向传播计算成本反向传播更新参数（梯度下降）结果预测失败的图片分析目标：搭建L层神经网络参考自：【中文】【吴恩达课后编程作业】Course 1 - 神经网络和深度学习 - 第四周作业(1&2)数据集介绍同第二周，猫的图片64*64的三通道图具有神经网络思维的Logistic回归模型搭建每一层神经网络 都是 由两部分组成线性部分Zl=WlAl−1+blZ^{l} = W^{l}A^{l-1} + b^{l}Zl=WlAl−1+bl激活

搭建卷积神经网络模型1.3.1 边界填充np.pad1.3.2 单步卷积1.3.3 卷积1.4 池化层1.5 反向传播2.1.0 TensorFlow模型2.1.1 不需要创建placeholders初始化参数2.1.2 前向传播2.1.3 计算成本2.1.4 构建模型预测函数model测试epoch=150,learning_rate=0.009,mini_batch_size=64epoch=1000,learning_rate=0.009,mini_batch_size=643.0 相关库代码(tf2

Keras入门与残差网络的搭建1 keras 入门导入库函数加载数据1.2 使用Keras框架搭建模型测试2 残差网络的搭建导入库函数2.2.1 恒等块2.2.2 卷积块2.3 构建50层的残差网络加载数据训练模型加载模型2.4 用自己的图片测试3 相关代码3.1 kt_utils.py3.2 resnets_utils.py其他一些问题tf.keras.BatchNormalizationtf.keras.MaxPooling2D和MaxPooltf.keras.Model的`compile`、`fit`

人脸识别目标： 1. 使用预训练好的模型，进行 1.1 人脸验证 1.2 人脸识别 修改【参考文章】的代码，使用tensorflow2实现参考自：【中文】【吴恩达课后编程作业】Course 4 - 卷积神经网络 - 第四周作业 - 人脸识别与神经风格转换...

特殊应用-风格迁移神经风格转换NST（Neural Style Transfer)迁移学习加载模型建立有多输出的模型加载模型在VGG19中挑选风格层和内容层的输出组合1迭代1000次组合2目标： 1. 使用预训练好的模型vgg19，进行图片风格迁移 修改【参考文章】的代码，使用tensorflow2实现参考自：1.【中英】【吴恩达课后编程作业】Course 4 -卷积神经网络 - 第四周作业2.Tensorflow2.0之神经风格迁移3. Tensorflow2.0之tf.keras.ap

初始化、正则化、梯度校验参数初始化数据集模型0初始化随机初始化抑梯度异常初始化总结正则化数据集模型不适用正则化L2正则化随机删除结点（random dropout）梯度检验目标： 1. 初始化参数 1.1 使用【0】来初始化参数 1.2 使用【随机数】来初始化参数 1.3 使用【抑梯度异常】初始化参数 2. 正则化模型 2.1 使用【二范数】（L2正则化）对二分类模型正则化，尝试避免过拟合 2.2 使用随机删除结点（

卷积神经网络-车辆识别模型加载模型一些其他的问题tf.boolean_masktf.image.non_max_suppressiontf.keras.backend.gatherValueError: bad marshal data (unknown type code)yolo_head出现错误目标： 1. 学习使用YOLO(you only look once)算法 修改【参考文章】的代码，使用tensorflow2实现参考自：1.【中文】【吴恩达课后编程作业】Course 4 - 卷

tensorflow2.0入门1.1 线性函数1.2 计算sigmoid1.3 计算成本1.4 使用独热编码1.5 初始化0和12.0 数据预处理2.1 不需要创建占位符placeholders2.2 初始化参数2.3 前向传播2.4 计算成本2.5 反向传播&更新参数定义优化器计算每个参数的梯度，并更新参数2.6 构建模型预测函数模型测试epoch=1501,mini_batch_size=32epoch = 2500,mini_batch_size = 32epoch = 1500, mini_

带有一个隐藏层的平面数据分类数据集介绍数据集形状模型搭建参数初始化前向传播隐藏层输出层反向传播输出层隐藏层梯度下降更新参数预测其他np.dot() 与 np.multiply() 的区别结果使用简单逻辑回归测试不同的隐藏层神经元数测试其他数据集原始数据集测试不同的隐藏层神经元数目标：带有一个隐藏层的平面数据分类神经网络参考自：【中文】【吴恩达课后编程作业】Course 1 - 神经网络和深度学习 - 第三周作业数据集介绍X：一个numpy的矩阵，包含了这些数据点的数值Y：一个numpy的向

优化算法数据集标准梯度下降分mini_batch第一步：打算顺序第二步：分割小批量梯度下降Momentum指数加权平均数Adam总结目标： 1. 分割数据集（使用mini_batch） 2. 优化梯度下降算法： 2.1 标准梯度下降算法（不优化） 2.2 分mini_batch的梯度下降 2.3 Momentum 2.4 Adam参考自：【中文】【吴恩达课后编程作业】Course 2 - 改善深层神经网络 - 第二周作业 - 优化算法数据集标准梯度下降W[l]=W[l]

具有神经网络思维的Logistic回归数据集介绍数据拉平后模型搭建参数初始化前向传播反向传播梯度下降更新参数前向传播-预测predict建议其他结果目标：搭建一个能够【识别猫】的简单的神经网络参考自：【中文】【吴恩达课后编程作业】Course 1 - 神经网络和深度学习 - 第二周作业数据集介绍train_set_x_orig ：保存的是训练集里面的图像数据（本训练集有209张64x64的图像）。train_set_y_orig ：保存的是训练集的图像对应的分类值（【0 | 1】，0表示不