Ian的博客

对模型的训练的准确性, 会先达到峰值, 然后下降.模型训练的目的: 使模型能够适用于大部分泛化测试数据, 并保持较高的准确率."名词解析""模型数据较少时, 使用正则化等技术, 限制了模型可以存储的信息的数据量和类型，如果网络只能记住少量模式， 那么优化过程将迫使它专注于最突出的模式，这些模式有更好的泛化性"1. 过拟合: 模型训练时间过长, 训练数据较少;2. 欠拟合: 模型设置不够强大, 过度正则化以及无足够长时间训练模型;3. 正则化: 向原始模型引入额外信息，以便防止过拟合和提高.

TF2.0项目实战三:汽车质量检测1. 获取数据集car-evaluation下载链接: https://archive.ics.uci.edu/ml/datasets/Car+Evaluation在下载页面有对数据的详细描述, 参照数据描述, 对数据进行处理.2. 对数据进行处理将数据分为7大类要素, 其中包括分类结果Result.column_names=['Buying', 'Maint', 'Doors', 'Persons', 'Lug_boot', 'Safety', 'Result

对项目一: 图像分类的逐步解析#!/bin/bash# -*-coding:utf-8-*-###### 第一个简单项目测试: 图像分类模型测试. 数据集为: Fashion MNIST. Tensorflow2.0############################# 将新版本的特性引进当前版本中。from __future__ import absolute_impo...

1. 各网络层对比VGG: 可以通过重复使用简单的基础块来构建深度模型;NiNLeNet、AlexNet和VGG在设计上的共同之处: 先以由卷积层构成的模块充分抽取空间特征，再以由全连接层构成的模块来输出分类结果。其中，AlexNet和VGG对LeNet的改进主要在于如何对这两个模块加宽（增加通道数）和加深;而NiN提出了另外一个思路，即串联多个由卷积层和“全连接”层构成的小网络来构...

卷积层的输出形状由输入形状和卷积窗口形状来决定。如假设输入的形状为n(h) * n(w), 卷积核窗口形状是k(h) * k(w), 那么输出形状将会是 (n(h) - k(h) +1) * (n(w) - k(w) +1).1. 超参数调整由上讨论，可引出两个超参数: 填充和步幅.填充''' 填充(padding): 是指在输入的高和宽两侧填充元素(通常为0). 填充的小技巧:...

1.测量；2.识别，如读取各种条码；3.定位、引导，识别位置；4.检测，如缺陷检测

卷积神经网络: 含卷积层，有宽和高两个维度，常用来处理图像数据。1.二维卷积（互相关运算）'''二维互相关运算: 1. 卷积窗口（又被称卷积核或过滤器（filter））从输入数组的最左上方开始，按从左往右、从上往下的顺序， 依次在输入数组上滑动；2. 当卷积窗口滑动到某一位置时，窗口中的输入子数组与核数组按元素相乘并求和，得到输出数组中相应位置的元素；实现二维互相关运算函数如下:...

本章节涉及到模型的构造、参数访问、初始化以及自定义网络层等细节问题，在这里省略讨论，等后面在具体项目中具体分析。本章重点记录模型和数据保存、读取; 以及GPU的调用；1. 读取和存储import tensorflow as tfimport numpy as npprint(tf.__version__)## 加载和保存数据x = tf.ones(3)np.save('x...

模型结构的改变和超参数调节技巧训练误差和泛化误差通俗解释: 训练误差就是由训练集上表现出的误差, 而泛化误差为测试集上表现出的误差.由于训练误差是在训练集上通过最小化训练误差不断迭代得到的, 所以训练误差的期望<=泛化误差的期望.所以训练集上的模型表现一般会优于测试集上的表现. 因此, 一味地降低训练误差并不意味着泛化误差一定会降低.机器学习模型应关注降低泛化误差!1....

前面介绍的线性回归和softmax回归都是单层神经网络. 然而在深度学习中, 大多数是多层模型. 以下以多层感知机为例, 介绍多层神经网络.1. 隐藏层多层感知机在单层神经网络的基础上引入了１～Ｎ个隐藏层(hidden layer)．隐藏层位于输入层和输出层之间．上图中含有一个隐藏层，该层中有５个隐藏单元；输入层不参与计算，所以上图中的多层感知机的层数为２；上图中的多层感知机隐藏层...

学习链接Fastai官网学习链接如何评价Fastai框架?Fastai简要学习链接1.使用问题Fastai安装Fastai在用conda安装的时候, 会出现下载很慢, 有两个依赖包一直下不下来.这个时候可以使用conda首先安装这两个依赖包, 但是不要以fastai这个channel去下载. 等待这两个包下载安装完成之后, 再去安装fastai即可;Fastai中的图像显...

1.初始化数据， 导入tensorflow模块和画图模块.import tensorflow as tfprint(tf.__version__)from matplotlib import pyplot as pltimport random2.0.0// 样本个数= 1000， 特征数=2(房屋的面积和年龄)， 线性回归的真是模型的权重为(2, -3.4)， 以及偏差（或者说截...

动手学深度学习TF2.0第四课: softmax回归详细分析离散值预测问题， 介绍神经网络中的分类模型分类的基本问题一般连续值到离散值的转化通常会影响到分类质量。因此，我们一般使用更适合离散值输出的模型来解决分类问题。一、softmax回归模型与线性回归的主要不同在于：softmax回归的输出值个数等于标签里的类别数。在这里类似于线性回归中的房屋预测问题，给出猫狗分类问题进行...

启动jupyter-noterbook时，先启动系统中安装的conda虚拟环境。启动jupyter-noterbook source activate base jupyter-noterbook这样就可以在网页上看到notebook的网页界面。Jupyter-notebook的快捷键使用主要有两种编辑模式: 命令模式， 编辑模式。使用Esc进入命令模式： A...

一. 核心点简要归纳线性回归输出是一个连续值（如预测房屋价格、销售额等），因此它本身属于一个回归问题。分类问题的输出是一个离散值（如图像分类、垃圾邮件识别等），因此可以简单的认为输出为离散值的问题属于分类问题。输出值为连续值的问题为回归问题。softmax回归则适用于分类问题 --- 单层神经网络二.深度学习模型的基本要素和表示方法（以线性回归为例）1.模型定义一个...

anaconda下载地址1.安装注意事项安装时不要将conda添加进系统环境(在安装的时候，后续有选择性的添加); export PATH=/home/ian/anaconda3/bin:$PATH export LD_LIBRARY_PATH=/home/ian/anaconda3/lib:$LD_LIBRARY_PATH export PYTHONPATH="/home/ian/...

2020年伊始， 开始正式进军机器学习–深度学习（但依然保持原有的SLAM基础）。第一部分1.介绍深度学习的背景和深度学习的预备知识。2.介绍深度学习最基础的概念和计数。第二部分1.描述深度学习计算的各个重要组成部分；2.解析深度学习在计算机视觉领域成功应用的卷积神经网络；3.近年来常用于处理序列数据的循环神经网路；第三部分1.评价各种用来训练深度学习模型的优化算法；2....

本文背景： 主要介绍在机器学习过程会遇到的一些专业术语以及一些网络的基础结构。一、常见网络结构一层网络为线性，二层至多层为非线性；二、相关专业术语简介数据集需要三组数据集 训练算法的训练集； 跟踪算法学习效果的验证集； 用于产生最终结果的测试集。混淆矩阵用于检测结果是否良好的分类；精度指标损失矩阵指定类被分为其他类的风险；数据与概率的转...

将机器学习相关的基础流程和概念先过一遍记录下来，等待时刻查看机器学习的标准过程数据的收集和准备 特征选择 算法选择 参数和模型选择 训练 评估...