lynn_1900的博客

文章目录词汇表征 word representation特征表示：词汇嵌入 word embedding语言模型使用词嵌入词汇表征 word representation词典和OneHot词向量：dictaandHarry⋯[a⋮and⋮harry⋮potter⋮<UNK>][1⋮0⋮0⋮0⋮0][0⋮1⋮0⋮0⋮0][0⋮0⋮1⋮0⋮0]⋯\begin{array}{ccccc}dict & a & and & Harry & \cdots \

代价函数对图片C(Content)，欲将其转换为图片S(Style)的风格，对生成的图片G，定义其代价函数为：J(G)=αJcontent(C,G)+βJstyle(S,G)J(G) = \alpha J_{content}(C, G) + \beta J_{style}(S, G)J(G)=αJcontent​(C,G)+βJstyle​(S,G)由内容代价和风格代价两部分构成。其中：内容代价： 设 a[l](C)a^{[l](C)}a[l](C) 和 a[l](G)a^{[l](G)}a[

文章目录循环神经网络 Recurrent Neural Networks前向传播代价函数反向传播门控循环单元 GRU (gated recurrent units)长短时记忆单元 LSTM (long short time memory)双向RNN (bidirectional RNN)深层RNN循环神经网络 Recurrent Neural Networks前向传播many-to-many 结构y^<1>y^<2>y^<3>y^<T>↑↑↑↑a&lt

文章目录一、卷积层1.1 二维卷积 (如灰度图像)滤波器 Filter填充 Padding卷积步长 Strided Covolution1.2 三维卷积 (如RGB图像)2 池化层3 全连接层：就是一般的神经网络层4 卷积层-池化层-全联接层一、卷积层1.1 二维卷积 (如灰度图像)滤波器 Filter1100111001110011100111001n×n图像∗10−110−110−1f×f滤波器=33−333−333−3(n−f+1)×(n−f+1)输出图像\begin{array}{|c|c

文章目录大数据集下的梯度下降1 batch gradient descent2 stochastic gradient descent3 mini-batch gradient descent4 在线学习5 map reduce大数据集下的梯度下降1 batch gradient descent每次更新都要计算全部训练样本的代价梯度，即：Repeat until convergence{θ:=θ−α∂∂θ∑i=1mJi(θ)}\begin{aligned}&Repea

文章目录1 两种session会话创建方法2 变量3 placeholder4 用TensorBoard可视化神经网络import numpy as npimport matplotlib.pyplot as pltimport tensorflow as tf%matplotlib1 两种session会话创建方法matrix1 = tf.constant([[3,3]])matrix2 = tf.constant([[2],[2]])product = tf.matmul(m