<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[lwmiracle的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/lwmiracle</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; lwmiracle]]></copyright><item><title><![CDATA[course3-Basic Models in TensorFlow]]></title><link>https://blog.youkuaiyun.com/lwmiracle/article/details/80582357</link><guid>https://blog.youkuaiyun.com/lwmiracle/article/details/80582357</guid><author>lwmiracle</author><pubDate>Tue, 05 Jun 2018 15:42:33 +0800</pubDate><description><![CDATA[Linear and Logistic Regression



主要讲了Tensorflow’s Optimizers，tf.data和通过tensorflow构建机器学习模型的一般步骤,构建模型的步骤都是一样的，只记录了Linear Regression 
overview：TensorFlow separates definition of computations from their ...]]></description><category></category></item><item><title><![CDATA[course2-Operations]]></title><link>https://blog.youkuaiyun.com/lwmiracle/article/details/80572882</link><guid>https://blog.youkuaiyun.com/lwmiracle/article/details/80572882</guid><author>lwmiracle</author><pubDate>Mon, 04 Jun 2018 20:52:25 +0800</pubDate><description><![CDATA[Operations



keywords： Basic operations, constants, variables ,Control dependencies ,Data pipeline ,TensorBoard 



tensorboard

constants

import tensorflow as tf
a = tf.constant([2, 2], name='a')
b...]]></description><category></category></item><item><title><![CDATA[course1-Overview of Tensorflow]]></title><link>https://blog.youkuaiyun.com/lwmiracle/article/details/80565517</link><guid>https://blog.youkuaiyun.com/lwmiracle/article/details/80565517</guid><author>lwmiracle</author><pubDate>Mon, 04 Jun 2018 11:56:18 +0800</pubDate><description><![CDATA[Overview of Tensorflow



Overview of Tensorflow

What’s TensorFlow™?

“Open source software library for numerical computation using data flow graphs”

Why TensorFlow?


Flexibility + Scalability 
Ori...]]></description><category></category></item><item><title><![CDATA[吴恩达深度学习笔记（五）week1循环序列模型]]></title><link>https://blog.youkuaiyun.com/lwmiracle/article/details/79390981</link><guid>https://blog.youkuaiyun.com/lwmiracle/article/details/79390981</guid><author>lwmiracle</author><pubDate>Mon, 04 Jun 2018 10:46:50 +0800</pubDate><description><![CDATA[为什么选择序列模型（序列模型的例子）

  



数学符号

    



x&amp;amp;lt;t&amp;amp;gt;x&amp;amp;lt;t&amp;amp;gt;x^{} 表示样本的第ttt个输入 
y&amp;amp;lt;t&amp;amp;gt;y&amp;amp;lt;t&amp;amp;gt;y^{} 表示样本的第ttt个输出 
TxTxT_{x}表示输入样本的长度 
TyTyT_{y}表示输出的长度 
x(i)&amp;amp;lt;t&amp;amp;gt;x(i)&am]]></description><category></category></item><item><title><![CDATA[吴恩达深度学习笔记（四）week4人脸识别]]></title><link>https://blog.youkuaiyun.com/lwmiracle/article/details/79390122</link><guid>https://blog.youkuaiyun.com/lwmiracle/article/details/79390122</guid><author>lwmiracle</author><pubDate>Mon, 04 Jun 2018 10:46:38 +0800</pubDate><description><![CDATA[人脸检测和人脸识别

   



一次学习（one shot learning）

这种情况一般是学习一个相似函数来比对两张图片的相似性，如下图所示 ，比较两张图片的区别，区别越大则输出越大，当输出小于某个阈值时可认为是同一个人。  
   



siamese网络

 
 
siamese网络就是要使若输入图片是同一个人的话，范数差的平方要尽可能的小，不是同一个人时，尽可能的大。   


...]]></description><category></category></item><item><title><![CDATA[吴恩达深度学习笔记（四）week3目标检测]]></title><link>https://blog.youkuaiyun.com/lwmiracle/article/details/78725234</link><guid>https://blog.youkuaiyun.com/lwmiracle/article/details/78725234</guid><author>lwmiracle</author><pubDate>Mon, 04 Jun 2018 10:46:31 +0800</pubDate><description><![CDATA[目标定位

目标分类、目标定位、目标检测的区别 ，目标分类与目标定位处理的图像只有一个目标，而目标检测有多个目标，目标分类输出只有一个，目标定位输出包括（目标是否存在，目标的坐标以及大小），目标检测需要把图片中的目标都检测出来。  
 
关于目标定位的输出可以如下方式设置 
  



特征点检测

当我们希望神经网络的输出能告诉我们图片中被检测对象的一些特征时，我们可以通过增加特征点作为神经网络...]]></description><category></category></item><item><title><![CDATA[吴恩达深度学习笔记（四）week2深度卷积神经网络实例]]></title><link>https://blog.youkuaiyun.com/lwmiracle/article/details/78718130</link><guid>https://blog.youkuaiyun.com/lwmiracle/article/details/78718130</guid><author>lwmiracle</author><pubDate>Mon, 04 Jun 2018 10:46:23 +0800</pubDate><description><![CDATA[

吴恩达：通过学习经典网络对自己将来构建神经网络有启发性作用。





经典网络


LetNet-5：主要特点是通道数增加，卷积核的尺寸下降，处理的是灰度图片。 
  
AlexNet:结构和LetNet-5相似，但是网络要大很多，处理的是彩色图片。 
  
VGG-16:卷积核和通道数都以一定规律变化，连接也不是卷积-池化-卷积的结构。 
  




残差网络（Residual Netw...]]></description><category></category></item><item><title><![CDATA[吴恩达深度学习笔记（四）week1卷积神经网络]]></title><link>https://blog.youkuaiyun.com/lwmiracle/article/details/78702813</link><guid>https://blog.youkuaiyun.com/lwmiracle/article/details/78702813</guid><author>lwmiracle</author><pubDate>Mon, 04 Jun 2018 10:46:11 +0800</pubDate><description><![CDATA[

吴恩达老师建议从事深度学习其他方向研究的人员也可以了解计算机视觉方面的算法与实例，并从中获得自己领域的灵感。





边缘检测示例

 
如上图中的简单例子为例，竖直边缘被检测出来了。  



Padding

如上图所示，我们得到的输出图片比输入图片变小了，事实上，不加padding直接卷积有如下两个缺点：  


图片变小：n×nn×nn\times n的图片将会变为(n−f+1)×(...]]></description><category></category></item><item><title><![CDATA[吴恩达深度学习笔记（三）week2机器学习策略]]></title><link>https://blog.youkuaiyun.com/lwmiracle/article/details/78708095</link><guid>https://blog.youkuaiyun.com/lwmiracle/article/details/78708095</guid><author>lwmiracle</author><pubDate>Mon, 04 Jun 2018 10:45:56 +0800</pubDate><description><![CDATA[进行误差分析

以一个简单的例子为例，在做一个猫图片的分类器时，若产生了5%5%5\%的误差，其中有些图片误把狗分类为猫，是不是应该马上决定设计一个针对狗的识别系统？答案是否定的，若错误分类里面只有少数的是狗则不需要，所以有必要对误差进行分析。 
 
常用的误差分析是用一个表格做统计，如下图所示，统计每项可能引起系统误差的比例。 
  



清楚标记错误的数据



吴恩达：人工干预，对误差进行...]]></description><category></category></item><item><title><![CDATA[吴恩达深度学习笔记（三）week1机器学习策略]]></title><link>https://blog.youkuaiyun.com/lwmiracle/article/details/78705267</link><guid>https://blog.youkuaiyun.com/lwmiracle/article/details/78705267</guid><author>lwmiracle</author><pubDate>Mon, 04 Jun 2018 10:45:47 +0800</pubDate><description><![CDATA[为什么要选择性选择机器学习策略

在机器学习（深度学习）系统开发过程中有很多策略可以用来改善机器学习系统，如果没有针对性的选择这些策略则容易做些无用的尝试，以下为常见的机器学习策略。 
  



正交化 （Orthogonalization）

如下图所示为生活中正交化的例子  ，电视机调方向、调大小的开关分开互不影响，若同时设置几个开关：他们既调位置也调大小，理论上这几个开关互相组合便能调出合...]]></description><category></category></item><item><title><![CDATA[吴恩达深度学习笔记（二）week1深度学习的实用层面]]></title><link>https://blog.youkuaiyun.com/lwmiracle/article/details/78650246</link><guid>https://blog.youkuaiyun.com/lwmiracle/article/details/78650246</guid><author>lwmiracle</author><pubDate>Mon, 04 Jun 2018 10:45:14 +0800</pubDate><description><![CDATA[训练集、验证集、测试集



开发机器学习系统是一个高度迭代的过程 
 
循环上面过程的效率决定了ML系统开发的效率，利用交叉验证的方法能有效得提高系统开发效率，交叉验证能很好的避免欠拟合和过拟合。


小数据时代：60% / 20% / 20% 
大数据时代：98% / 1% / 1%（甚至训练集的比例更大）  




偏差和方差





机器学习的基本方法

吴恩达老师提供的训练方法： 
...]]></description><category></category></item><item><title><![CDATA[吴恩达深度学习笔记（一）week4  深层神经网络]]></title><link>https://blog.youkuaiyun.com/lwmiracle/article/details/78648816</link><guid>https://blog.youkuaiyun.com/lwmiracle/article/details/78648816</guid><author>lwmiracle</author><pubDate>Mon, 04 Jun 2018 10:45:02 +0800</pubDate><description><![CDATA[吴恩达深度学习笔记（一）week4  深层神经网络



虽然神经网络的层数变为深层，但推导过程和上周的一样





深层神经网络中的前向传播与反向传播

前向传播需要输入A[0]A[0]A^{[0]}也就是XXX来初始化；A[0]A[0]A^{[0]}对应一整个输入样本的输入特征（其中每一列代表的是一个样本的特征），即A[0]=（a[0],a[1],a[2]⋯a[m])A[0]=（a[0],a...]]></description><category></category></item><item><title><![CDATA[吴恩达深度学习笔记（一）week3 浅层神经网络]]></title><link>https://blog.youkuaiyun.com/lwmiracle/article/details/78629442</link><guid>https://blog.youkuaiyun.com/lwmiracle/article/details/78629442</guid><author>lwmiracle</author><pubDate>Mon, 04 Jun 2018 10:44:54 +0800</pubDate><description><![CDATA[浅层神经网络



笔记前言：这一周的课程思路也和上周的课程思路一样，首先是讲单样本的神经网络，接着是多样本的神经网络，本周课程所讲的神经网络模型是单隐层的神经网络。此外课程还讲了关于激活函数和随机初始化的相关内容。  





前向传播-单样本神经网络的输出

第一层的传播过程如下： 
 
第二层的传播过程如下： 
 
对其向量化: 
x(3,1)x(3,1)x(3,1):3个特征，一个样本，...]]></description><category></category></item><item><title><![CDATA[吴恩达深度学习笔记（一）week1~week2]]></title><link>https://blog.youkuaiyun.com/lwmiracle/article/details/78620214</link><guid>https://blog.youkuaiyun.com/lwmiracle/article/details/78620214</guid><author>lwmiracle</author><pubDate>Mon, 04 Jun 2018 10:44:44 +0800</pubDate><description><![CDATA[吴恩达深度学习笔记（一）



笔记前言：距离开学过去也有两个半月了，浮躁期也渐渐过去，两个半月糊里糊涂的接触了些机器学习/深度学习的知识，看了不少资料，回来过头来看还是觉得看吴恩达老师的课受益最深，深入浅出，在此也强烈推荐每一个想进入机器学习领域又苦于无从入手的同学以该视频课程作为入门。上周做了组内的第一次汇报便是讲神经网络，准备过程中发现之前自认为弄懂的知识点甚是模糊，然后又想想这几个月的学习...]]></description><category></category></item></channel></rss>