qq_38938670的博客

记：开学这一段时间以来没怎么学习，终于忙完了所有开学的事物，安心坐下来写一篇博客。今天这篇博客是关于卷积神经网络，它与密集链接模型相比可以提高在相当程度上提高精度，结果还是不错的。使用卷积神经网络之前还要了解一些卷积神经网络相关的基础知识，下面简单介绍一下再进行代码编写。1、密集连接层（Dense层）和卷积层的区别：Dense层从输入特征空间中学到的是全局模式（涉及所有像素的模式），而卷积层学到的是局部模式，卷积神经网络学到的模式具有平移不变形且卷积神经网络可以学到模式的空间层次结构。2、特征图：

记：配置过程网上有很多教程，写的也很好，我在这不准备些安装具体过程，而是记录一下安装过程中的几个网站，安装过程碰到了下载不下来的问题，版本匹配问题等，以及上传本人下载的网盘资源，方便大家。(所有都是在win10系统上配置的）1、版本匹配问题，刚开始下载的cuda9.1+cudnn7.1+tensorflow-gpu1.7.0，配置好之后报错，大概是说tensorflow-gpu只能支持到cuda9.0，后来下载了cuda9.0+cudnn7.0+tensorflow-gpu1.9.0。相关网盘资源如下：

记：该编程作业是第三周的作业，第二周我们完成了一个Logistic regression模型，改模型没有隐藏层，今天要完成的是有一个隐藏层的分类神经网络（即2层神经网络），同时会对比二者的不同之处（即适用情况）。（很多是根据个人理解的情况写的，如有错误还望指出）1、实验中用到的包# Package importsimport numpy as npimport matplotlib.pyplot as pltfrom testCases import *import sklearnimp

记：电影评论分类，新闻分类不同的是预测房价不属于分类问题，而是回归问题，所用的损失函数以及验证方法也与前面由很大的不同。1、回归与logistic回归：很容易将这两个混为一谈，从名字来看好像这两个都是回归算法，但其实logistic回归是分类算法。2、回归问题：相对于分类问题的目标是预测输入数据点所对应的单一离散的标签来说，回归问题是预测一个连续值而不是离散的标签，例如根据掌握的气象数据来预测明天的气温等。3、波士顿房价数据集：是20世纪70年代中期波士顿郊区房价的中位数，该数据集的数据点相对较

记：新闻分类问题时多分类问题，与电影评论分类很类似又有一些差别，电影评论只有两个分类，而新闻分类有46个分类，所以在空间维度上有所增加，多分类问题的损失函数与二分类问题选择不同，最后一层使用的激活函数不同，其他基本流程都是一样的。1、路透社数据集：包含许多短新闻及其对应的主题，是一个简单的，广泛使用的文本分类数据集，包含46个不同的主题，每个主题至少有10个样本，其中有8982个训练样本和2246个测试样本。2、在编码标签时有两种方法（注意损失函数的选择是不同的）： （1）将其转换为整数...

记：二分类问题应该是应用最广泛的机器学习问题，电影评论分类是指根据电影评论的文字内容，将其划分为正面评论或者是负面评论，是一个二分类问题，我从头到尾学习了代码，并且进行了整理，有的内容是个人理解，如有错误还请指正。（本代码实在jupyter notebook上完成的）1、典型的keras工作流程 （1）定义训练数据：输入张量和目标张量 （2）定义层组成的网络（模型），将输入映射到目标 （3）配置学习过程：选择合适的损失函数，优化器和需要监控的指标 （4）调用模型的...

记：开始记录深度学习以及机器学习过程中写过的代码和学到的知识了，吴恩达老师的课真的是入门者的福音了，我这种小白在听完老师的课之后都能动手写课后作业，写完编程作业的感受就是：虽然原版作业是英文，但是静下心来基本都能读懂，而且过程中都有提示，认真听完课完成作业应该不是问题。1、所需要的包import numpy as npimport matplotlibimport skimageimport matplotlib.pyplot as pltimport h5pyimport scipy