Adrianna的专栏

给定图片url和指定图片尺寸，生成缩略图并保存。用于生成正方形图并避免图片拉伸变形。import requests as reqfrom PIL import Imagefrom io import BytesIOdef make_thumb(url, sizes=(128, 128)): """ 生成指定尺寸缩略图 :param url: 图像链接 ...

1.GAN基本思想生成式对抗网络GAN (Generative adversarial networks) 是Goodfellow 等在2014 年提出的一种生成式模型。GAN 的核心思想来源于博弈论的纳什均衡。它设定参与游戏双方分别为一个生成器(Generator)和一个判别器(Discriminator), 生成器捕捉真实数据样本的潜在分布, 并生成新的数据样本; 判别器是一个二分类器, 判别输

正则化能减少过拟合，那么有哪些方法呢？我们来看一下：1.1 cost function加上正则项L2 regularization即在 cost function 加上 L2 norm: ∑θ2​\sum\theta^2​L1 regularization即在 cost function 加上 L1 norm: ∑∥θ∥\sum \lVert \theta\rVert1.2 weight

在建立好模型后，我们通过训练测试得到最初的train error，valid error，test error，那么接下来应该怎么调整模型得到最优的模型呢？ 可以归纳为以下流程图：

偏差和方差（bias variance）很好理解，左图是high bias（高偏差），即欠拟合，右图是high variance（高方差），即过拟合。我们追求的是中间图，low bias AND low variance。注意的是并不是 高方差就一定低偏差，有可能既高方差又高偏差。怎么理解呢？看下面一个栗子： 判断图片是不是猫的一个分类问题，人的判断错误率为0%那么如果train error 和v

一般把数据集分为三部分：train set， valid set， test set分别用于训练模型，调整超参数，测试模型。其中valid set 又叫development set ,简称 dev set。交叉验证（hold out cross validation）随机从一组测定数据中抽取一部分数据来建立模型，用其余的数据来检验此模型的方法。最常见的是十折交叉验证，即把训练集随机分为十份，每次

Reference：https://cs224d.stanford.edu/lecture_notes/LectureNotes4.pdfEmpirical Evaluation of Gated Recurrent Neural Networks on Sequence Modelinghttps://feature.engineering/difference-between-lstm-a

先给出结论：cross entropy和KL-divergence作为目标函数效果是一样的，从数学上来说相差一个常数。logistic loss 是cross entropy的一个特例1. cross entropy和KL-divergence假设两个概率分布p(x)p(x)p(x)和q(x)q(x)q(x)， H(p,q)H(p,q)H(p,q)为cross entro...

一、LeNet 结构二、卷积层ConvOp是在Theano中实现卷积层的主要主力。 ConvOp由theano.tensor.signal.conv2d使用，它具有两个输入： 1. input：对应于小批量输入图像的4D tensor。 tensor的形状如下：[mini-batch大小，输入的feature maps数量，图像height，图像width]。 2. W: 对应于权重矩阵W的4D

判别式模型与生成式模型的区别产生式模型(Generative Model)与判别式模型(Discrimitive Model)是分类器常遇到的概念，它们的区别在于： 对于输入x，类别标签c： 产生式模型估计它们的联合概率分布P(x,c)=P(x|c)×P(c)，实际估计P(x|c)，求得P(x,c)=P(x|c)×P(c) 判别式模型估计条件概率分布P(c|x)产生式模型可以根据贝

作用首先需要明白back propagation的作用： 深度学习的训练是成本函数（cost function）最小化的过程，一般采取梯度下降法求解。那么怎么计算梯度呢？这就要用到back propagation了。 计算一个数学表达式的梯度是很直接的，但计算是昂贵的。而反向传播算法使用简单的方法有效的减少了计算量。误解反向传播经常被误解为神经网络的整个学习算法。 实际上，反向传播仅用于计算梯度

Introwhy DM数据的急剧增长，产生了需求。whats DM?从海量数据中发现有趣的模式和知识。 KDD(knowledge discovery in databases) 过程： 数据清理，数据集成，数据选择，数据变换，模式发现，模式评估和知识展示。 KDD(knowledge discovery in databases) Multi-Dimensional View of

主流的推荐系统算法大致分为两类: 1. 基于用户行为数据的协同过滤算法 2. 基于内容数据的过滤算法 大致而言，基于内容数据的算法适用于cold start，即用户和项目都比较少的时候，而基于用户行为数据的协同过滤算法在用户和项目较多，数据比较丰富的情况下有较高的准确率。除此之外，还包括基于社会网络数据的推荐，基于语境（上下文）感知数据的推荐，基于心理学数据的推荐等等。本文参考总结自：