<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[sadfassd的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/sadfassd</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; sadfassd]]></copyright><item><title><![CDATA[卷积神经网络实现图像识别及过程可视化]]></title><link>https://blog.youkuaiyun.com/sadfassd/article/details/80667741</link><guid>https://blog.youkuaiyun.com/sadfassd/article/details/80667741</guid><author>sadfassd</author><pubDate>Tue, 12 Jun 2018 17:53:15 +0800</pubDate><description><![CDATA[卷积神经网络实现图像识别及过程可视化




  本博文提供经典的卷积神经网络实现代码，将CNN的工具类等代码分别封装，并提供接口自行替换使用的模型（可以换成自己的神经网络及图片样本），代码中提供模型保存和读取，并对卷积层的计算结果反卷积还原成图片输出到tensorboard中，最后可以在tensorboard中观察CNN训练的过程和结果数据，并查看过程中卷积核提取的具体特征。






实验环...]]></description><category></category></item><item><title><![CDATA[搜狗新闻语料文本分类实践]]></title><link>https://blog.youkuaiyun.com/sadfassd/article/details/80568321</link><guid>https://blog.youkuaiyun.com/sadfassd/article/details/80568321</guid><author>sadfassd</author><pubDate>Mon, 04 Jun 2018 23:38:16 +0800</pubDate><description><![CDATA[本文作为曾经在实验室工作的少许经验，记录当初对文本分类方面的部分实践过程。文本语料来自搜狗语料库中的新闻语料，文章采用scikit-learn、gensim和jieba库提供的函数实现各类文本处理过程，最终在LR模型下取得97%~98%的分类正确率。]]></description><category></category></item><item><title><![CDATA[逻辑回归学习笔记]]></title><link>https://blog.youkuaiyun.com/sadfassd/article/details/80462724</link><guid>https://blog.youkuaiyun.com/sadfassd/article/details/80462724</guid><author>sadfassd</author><pubDate>Sat, 26 May 2018 16:47:59 +0800</pubDate><description><![CDATA[Logistic学习笔记

逻辑回归从头到尾推倒一遍：

（w和b以及x、y等均为向量；并且这是个二分类器）

首先对于输入：X  对应 标签 Y 
假设X经过模型计算后输出Y’

定义sigmoid函数：

Y’ = 1 / (1 + e^(-z))

该函数能够将函数   Z = w * X +b   的输出 Z 映射到(0 , 1)范围内的输出， 
即此时 Y’ 结果代表一个(0,1)之间的...]]></description><category></category></item><item><title><![CDATA[机器学习笔记-决策树]]></title><link>https://blog.youkuaiyun.com/sadfassd/article/details/79733664</link><guid>https://blog.youkuaiyun.com/sadfassd/article/details/79733664</guid><author>sadfassd</author><pubDate>Wed, 28 Mar 2018 20:42:00 +0800</pubDate><description><![CDATA[

首先我们要明确决策树作为分类器的工作机制是什么。例如，决策树决定一个物体是不是西瓜的工作过程类似于以下过程：

1、  这个东西是不是绿色的？  –是，那么继续观察： 
2、  这个东西是不是接近圆形的？  –是，然后再问： 
3、  这个东西是不是有个根蒂？  ……

这就好像一个好奇的孩子在不断地询问家长一件事情，只不过每个询问的问题只有是和否两个回答，而每个问题均涉及了这件事物的一个特征...]]></description><category></category></item><item><title><![CDATA[脉冲神经网络学习笔记（综述）]]></title><link>https://blog.youkuaiyun.com/sadfassd/article/details/78637718</link><guid>https://blog.youkuaiyun.com/sadfassd/article/details/78637718</guid><author>sadfassd</author><pubDate>Sun, 26 Nov 2017 16:03:05 +0800</pubDate><description><![CDATA[脉冲神经网络学习笔记，是综述性质的学习笔记]]></description><category></category></item><item><title><![CDATA[脉冲神经网络Precise-Spike-Driven (PSD) Synaptic Plasticity学习笔记]]></title><link>https://blog.youkuaiyun.com/sadfassd/article/details/78463966</link><guid>https://blog.youkuaiyun.com/sadfassd/article/details/78463966</guid><author>sadfassd</author><pubDate>Tue, 07 Nov 2017 08:54:08 +0800</pubDate><description><![CDATA[脉冲神经网络Precise-Spike-Driven (PSD) Synaptic Plasticity学习笔记
PSD算法设计的目的是为处理和记忆时空相关的输入。PSD从传统的Widrow-Hoff规则衍生，作为监督学习规则，利用实际输出脉冲和目标输出脉冲之间的误差修改神经元连接权值：正误差(positive errors)会导致长时程增强，而负误差（negative errors）会导致长时]]></description><category></category></item><item><title><![CDATA[脉冲神经网络之Tempotron简介（一）]]></title><link>https://blog.youkuaiyun.com/sadfassd/article/details/78463893</link><guid>https://blog.youkuaiyun.com/sadfassd/article/details/78463893</guid><author>sadfassd</author><pubDate>Tue, 07 Nov 2017 08:40:31 +0800</pubDate><description><![CDATA[脉冲神经网络（SNN）这个概念在上个世纪就被提出，现在也不算什么新的模型。但它和传统BP神经网络还是很不一样的，最近加入的实验室做的就是这个方向，因此一直在学这个东西。
脉冲神经网络比传统人工神经网络更能模仿生物神经元之间的连接与通信，能够进行复杂的时空信息的处理。但SNN模仿的脉冲具有不连续和非线性的特征，因此在构建对该神经网络的监督学习算法上比较困难。根据SNN实现的特征可以将监督学习的算法分为]]></description><category></category></item><item><title><![CDATA[脉冲神经网络之Tempotron（二）]]></title><link>https://blog.youkuaiyun.com/sadfassd/article/details/78278595</link><guid>https://blog.youkuaiyun.com/sadfassd/article/details/78278595</guid><author>sadfassd</author><pubDate>Wed, 18 Oct 2017 22:09:24 +0800</pubDate><description><![CDATA[脉冲神经网络之Tempotron代码示例
        上一篇从原理的角度大致介绍了脉冲神经网络的神经元模型以及Tempotron监督学习方法，这一章记录了Tempotron的代码实现。这份代码是使用matlab编写，用脉冲神经网络实现对26个字母分类，我们从细节去解释该代码：

function TempotronClassify()
% Tempotron: a neuron that]]></description><category></category></item></channel></rss>