<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[vagrantabc2017的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/vagrantabc2017</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; vagrantabc2017]]></copyright><item><title><![CDATA[tensorflow: 如何使用矩阵]]></title><link>https://blog.youkuaiyun.com/vagrantabc2017/article/details/78065532</link><guid>https://blog.youkuaiyun.com/vagrantabc2017/article/details/78065532</guid><author>vagrantabc2017</author><pubDate>Fri, 22 Sep 2017 17:47:05 +0800</pubDate><description><![CDATA[Refence:  《Tensorflow machine learning cookbook》 : Working with Matrices




Packt.TensorFlow.Machine.Learning.Cookbook.2017 笔记




# -*- coding:utf-8 -*-




import tensorflow as tf
i]]></description><category></category></item><item><title><![CDATA[tensorflow: 如何使用占位符与变量]]></title><link>https://blog.youkuaiyun.com/vagrantabc2017/article/details/78063922</link><guid>https://blog.youkuaiyun.com/vagrantabc2017/article/details/78063922</guid><author>vagrantabc2017</author><pubDate>Fri, 22 Sep 2017 16:02:02 +0800</pubDate><description><![CDATA[Refence:  《Tensorflow machine learning cookbook》 : Using Placeholders and Variables




Packt.TensorFlow.Machine.Learning.Cookbook.2017 笔记




如何使用占位符与变量
申明变量： tf.Variable(张量tensor)
初始化变量：]]></description><category></category></item><item><title><![CDATA[tensorflow: 如何定义常量tensor与变量tensor]]></title><link>https://blog.youkuaiyun.com/vagrantabc2017/article/details/78062218</link><guid>https://blog.youkuaiyun.com/vagrantabc2017/article/details/78062218</guid><author>vagrantabc2017</author><pubDate>Fri, 22 Sep 2017 13:57:20 +0800</pubDate><description><![CDATA[Refence:  《Tensorflow machine learning cookbook》 : Declaring Tensors


Packt.TensorFlow.Machine.Learning.Cookbook.2017 笔记


主要应用领域：计算机视觉，语音识别，机器翻译，健康医疗
流行的GPU架构：Nvidia Tesla and Pascal，4G RAM，]]></description><category></category></item><item><title><![CDATA[基础概率公式汇总]]></title><link>https://blog.youkuaiyun.com/vagrantabc2017/article/details/78043925</link><guid>https://blog.youkuaiyun.com/vagrantabc2017/article/details/78043925</guid><author>vagrantabc2017</author><pubDate>Wed, 20 Sep 2017 18:23:14 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[《GNU_Octave_Beginner_s_Guide》读书笔记4：Octave脚本]]></title><link>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77891148</link><guid>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77891148</guid><author>vagrantabc2017</author><pubDate>Fri, 08 Sep 2017 09:42:46 +0800</pubDate><description><![CDATA[《GNU_Octave_Beginner_s_Guide》读书笔记4：Octave脚本


在命令行中edit，进入Editor窗口。
Editor有自己的菜单，保存的文件名后缀为m，是为了能在MatLib上跑。
文件：script41.m内容如下：
A=rand(3,5);
min(min(A))
在命令窗口中执行：
>> script41
ans =  0.25487
完]]></description><category></category></item><item><title><![CDATA[《GNU_Octave_Beginner_s_Guide》读书笔记3：函数与绘图]]></title><link>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77882751</link><guid>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77882751</guid><author>vagrantabc2017</author><pubDate>Thu, 07 Sep 2017 16:00:32 +0800</pubDate><description><![CDATA[《GNU_Octave_Beginner_s_Guide》读书笔记2：函数与绘图


函数：
函数的通用形式：[output 1, output 2, ...] = function name(input 1, input 2, ...)
数学函数
辅助函数
操作函数


数学函数：
cos(pi)  //pi是一个内置函数
x = [0:pi/2:2*pi]  //生成一]]></description><category></category></item><item><title><![CDATA[《GNU_Octave_Beginner_s_Guide》读书笔记2:变量与运算符]]></title><link>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77854598</link><guid>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77854598</guid><author>vagrantabc2017</author><pubDate>Tue, 05 Sep 2017 18:17:01 +0800</pubDate><description><![CDATA[《GNU_Octave_Beginner_s_Guide》读书笔记2:变量与运算符


变量
一.简单数字变量：
不明示的情况下，octave解释为实数，双精度浮点。 a=2
变量名由字母，数字，下划线组成，不能以数字开头。
>> 1_a=99
parse error:
  syntax error
用下标访问元素，下标起始值为1.
例：
>> b=[1,9,3];b(2)]]></description><category></category></item><item><title><![CDATA[《GNU_Octave_Beginner_s_Guide》读书笔记1: 环境设置]]></title><link>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77837208</link><guid>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77837208</guid><author>vagrantabc2017</author><pubDate>Mon, 04 Sep 2017 14:35:06 +0800</pubDate><description><![CDATA[《GNU_Octave_Beginner_s_Guide》读书笔记1: 环境设置


在win10上装了多个版本，最后确认GUI无法启动，在win7和winxp上都没有问题。
安装发布包本身也说没测过win10.
选择octave是因为matlab实在太大，且我也不想去到处找盗版。基于win7安装。GPL license.
写这本书是在2011年，估计那时候版本是version 3.2]]></description><category></category></item><item><title><![CDATA[MLAPP读书笔记(一)监督式学习与非监督式学习简介]]></title><link>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77775986</link><guid>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77775986</guid><author>vagrantabc2017</author><pubDate>Fri, 01 Sep 2017 18:07:12 +0800</pubDate><description><![CDATA[MLAPP读书笔记(一)监督式学习与非监督式学习简介


机器学习的类别
一：预测/监督式学习{(x, y)}
1.分类
2.回归
1)序数回归
二:描述式/非监督式学习{x}
特点：自行发现知识 
三:增强学习 reinforcement learning RL
通过奖励和惩罚来刺激学习


在输入矩阵A中，每行是一个特征向量xi,表示一个样本。
N x D，表示N]]></description><category></category></item><item><title><![CDATA[深度网络的基础组件]]></title><link>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77750814</link><guid>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77750814</guid><author>vagrantabc2017</author><pubDate>Thu, 31 Aug 2017 18:21:41 +0800</pubDate><description><![CDATA[网络架构的主要分类：
1. 无监督网
2. CNN
3. 循环网：[LSTM]
4. 递归网


网络的主要组件：
1. 参数：在不同的架构中，层的结构方式不同，影响参数。
比如DBN中有两套连接。一套是RBM，用于抽取另一个网的特征。另一套是DBN，用RBM的输出去初始化网络。
2. 分层
可以通过改变激活函数的类型或子网类型来定制层。
3. 激活函数
输入层：不用激活]]></description><category></category></item><item><title><![CDATA[激活函数、损失函数与超参数]]></title><link>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77745833</link><guid>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77745833</guid><author>vagrantabc2017</author><pubDate>Thu, 31 Aug 2017 14:10:11 +0800</pubDate><description><![CDATA[激活函数：
激活函数的特点：
输入：标量，
输出；标量
很多激活函数如果画图，都是S形的，称为Sigmoid函数。
常见的有6种：
1.线性变换Linear：f(x) = Wx，用于输入层。直线。
2.Sigmoid函数：可以减少极端值而不用移除它们。0-1之间的S形渐近线。把x的正负无穷转为y的0-1，大多数都在0或1附近。为每个类输出一个独立概率。
人还是车？用sigmoid函]]></description><category></category></item><item><title><![CDATA[反向传播学习算法]]></title><link>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77720025</link><guid>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77720025</guid><author>vagrantabc2017</author><pubDate>Wed, 30 Aug 2017 17:43:59 +0800</pubDate><description><![CDATA[1969年被发明，但直到上世级八十年代才得到重视。
通用的网络训练伪代码：
function neural-network-learning( training-records ) returns network
network 
start loop
for each example in training-records do
network-output = neural-net]]></description><category></category></item><item><title><![CDATA[单层感知机与多层前馈神经网络]]></title><link>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77714611</link><guid>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77714611</guid><author>vagrantabc2017</author><pubDate>Wed, 30 Aug 2017 13:31:11 +0800</pubDate><description><![CDATA[单层感知机：
感知机是一个二元分类的线性模型。它采用海维赛德（Heaviside）阶跃函数作为激活函数。
海维赛德阶跃函数： x为‘门限值，如0.5’，y=0，否则y=1. 程序说法是： x
从神经元细胞借鉴的‘门限’和‘权重和’的概念是建模的关键。
向量xw的点积--》海维赛德阶跃函数（作为激活函数）--》分类0，1
XW+b, b为偏好。如果b为负，样本X一定，为使结果仍为0.5，要]]></description><category></category></item><item><title><![CDATA[生物神经元工作原理。]]></title><link>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77684112</link><guid>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77684112</guid><author>vagrantabc2017</author><pubDate>Tue, 29 Aug 2017 18:05:51 +0800</pubDate><description><![CDATA[神经网络NN：
1.许多简单的单元并行工作，没有中心控制点。
2.单元之间的权重是信息（知识）持久化的主要手段。
3.更新权重是学习知识的手段。
神经网络的行为是由网络架构所决定的，网络架构包括：
1.神经元个数
2.层数
3.层与层之间的连接类型。
前馈多层NN的最简单的NN。1层输入，多层隐藏层，1层输入。全连接，有向无环图。如果神经元足够多，它可以表示任何函数。用后向传播算法]]></description><category></category></item><item><title><![CDATA[深度学习中的一些基本概念]]></title><link>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77649673</link><guid>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77649673</guid><author>vagrantabc2017</author><pubDate>Mon, 28 Aug 2017 15:51:04 +0800</pubDate><description><![CDATA[欠拟合(Underfitting)与过拟合(Overfitting)
欠拟合指预测值f(x)还没有接近真实值y。解决欠拟合是优先的。
过拟合是指预测值与真实值匹配得太好，前面提到过，会有泛化的问题。解决这个问题往往需要更大的精力。
对样本匹配得太好，对数据总体往往不是好事。
参数优化parameter optimization:
调整参数，使预测值越来越准。这个过程氷是参数优化。
每一]]></description><category></category></item><item><title><![CDATA[浅谈机器学习用来做什么，它是如何工作的]]></title><link>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77584229</link><guid>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77584229</guid><author>vagrantabc2017</author><pubDate>Fri, 25 Aug 2017 17:39:08 +0800</pubDate><description><![CDATA[基本方程：Ax=b
本质上讲，机器学习需要基于算法系统，通过‘优化’去让等式的误差达到最小。
这里关注参数向量（权重）x的变化，直到找到一组适当的x值，使模型输出最接近真实输出。
当损失函数计算结果后，x就再次调整，缩小损失，直到极值点。
一个描述每个权重所带来的误差的误差矩阵会与权重矩阵本身相乘。
SDG是最基本的优化算法。
正则化和学习率属于模型的超参数，超参数的设置常常需要经验。]]></description><category></category></item><item><title><![CDATA[深度学习统计学基础]]></title><link>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77536286</link><guid>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77536286</guid><author>vagrantabc2017</author><pubDate>Thu, 24 Aug 2017 18:20:37 +0800</pubDate><description><![CDATA[统计基础：
概率Probabilities
分布Distributions
似然Likelihood ，可能性，与概率是同义语。
描述性统计技术：
柱状图Histograms
箱形图Boxplots
散点图Scatterplots
均值Mean
标准差Standard deviation
相关系统Correlation coefficient
推断性统计技术：
P值p-va]]></description><category></category></item><item><title><![CDATA[深度学习线性代数基础]]></title><link>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77530671</link><guid>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77530671</guid><author>vagrantabc2017</author><pubDate>Thu, 24 Aug 2017 15:33:59 +0800</pubDate><description><![CDATA[基于DL4J和ND4J API的学习代码：
https://github.com/deeplearning4j/oreilly-book-dl4j-examples


什么是机器学习？
通过算法从原始数据中获取结构描述。
结构描述的形式有哪些?
包括：
1.决策树（规则）
2.线性回归（参数）
3.神经网络（权重）
什么是数据挖掘？
从数据中抽取信息。
关系：机器学习重]]></description><category></category></item><item><title><![CDATA[tensorflow训练过程的日志与监控]]></title><link>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77507168</link><guid>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77507168</guid><author>vagrantabc2017</author><pubDate>Wed, 23 Aug 2017 15:59:42 +0800</pubDate><description><![CDATA[Logging and Monitoring Basics with tf.contrib.learn


https://www.tensorflow.org/get_started/monitors


这篇文档的准备是 tf.estimator Quickstart，
https://www.tensorflow.org/get_started/estimator
对应的博客]]></description><category></category></item><item><title><![CDATA[在tf.estimator中构建inpu_fn解读]]></title><link>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77482891</link><guid>https://blog.youkuaiyun.com/vagrantabc2017/article/details/77482891</guid><author>vagrantabc2017</author><pubDate>Tue, 22 Aug 2017 17:17:39 +0800</pubDate><description><![CDATA[在tf.estimator中构建inpu_fn解读
https://www.tensorflow.org/get_started/input_fn


上一篇，讲了classifier的train等方法都需要一个输入管道，本篇来学习下。
input_fn方法是一类比较特殊的方法，它有一定的规定。函数名叫什么倒无所谓。
一般来讲，访方法做两件事：
1.数据预处理，如洗脏数据，归整数据等]]></description><category></category></item></channel></rss>