记录学习的过程

Keras Mnist在这里，我们将利用Keras搭建一个深度学习网络对mnist数据集进行识别。本文参考 keras-mnist-tutorial整个代码分为三个部分： 数据准备模型搭建训练优化让我们开始吧首先先导入一些模块%matplotlib inlineimport numpy as npimport matplotlib.pyplot as pltfrom keras.da

Predicting house prices: a regression example0. 探索数据from keras.datasets import boston_housingfrom keras import layersfrom keras import modelsfrom keras import callbacksimport numpy as np

Classifiying newswires: Reuters, a multiclass classification example这个例子整理自《Deep Learning with Python》 3.5节完整代码看这里0.探索数据-ReutersReuters数据集，本数据库包含来自路透社的11,228条新闻，分为了46个主题。与IMDB库一样，每条新闻被编码为一个词下标的序列。

Classifying movie reviews: IMDB, a binary classification example这个例子整理自《Deep Learning with Python》 3.4节完整代码在这里0.探索数据from keras.datasets import imdbfrom keras import modelsfrom keras imp

How to Grid Search Hyperparameters for Deep Learning Models in Python With Keras调参是一件费时费力的事情，Grid Search 能帮助我们减少调参的工作量，这篇文章将向你展示如何使用Grid Search方法在Keras代码上进行超参数最优选择。这篇文章整理自这里，另外一个可参考的代码请看这里How

RNN递归神经网络的直观理解：基于TensorFlow的简单RNN例子RNN 直观理解一个非常棒的RNN入门Anyone Can learn To Code LSTM-RNN in Python(Part 1: RNN)基于此文章，本文给出我自己的一些愚见基于此文章，给出其中代码的TensorFlow的实现版本。完整代码请看这里RNN的结构如果从网上搜索关于RNN的结构图，大概可以下面的结构

TensorFlow-RNN文本情感分析之前用全连接神经网络写过一个文本情感分析 http://blog.youkuaiyun.com/weiwei9363/article/details/78357670现在，利用TensorFlow搭建一个RNN网络对文本进行情感分析完整代码以及详细的介绍(Solution) https://github.com/jiemojiemo/deep-learning/tr

RNN - 预测正弦函数参考《TensorFlow实战Google深度学习框架》。不使用TFLearn，只使用TensorFlow完整代码看这里如果对RNN不理解，请看RNN递归神经网络的直观理解：基于TensorFlow的简单RNN例子import tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt%ma

Image Data Augmentation In Keras讨论的内容包括Data AugmentationImageDataGenerator 的使用方法在cifar-10数据集上使用Data Augmentation完整代码在 这里 下载Data AugmentationData Aumentation（数据扩充）指的是在使用以下或者其他方法增加数据输入量。这里，我们特指图像数据。

Keras mnist With CNN这次，我们将在Keras下利用卷积神经网络(CNN)对mnist进行训练和预测关于卷积神经网络，强烈推荐零基础入门深度学习(4) - 卷积神经网络，有详细解释和公式推导以及代码实现Keras中CNN的使用方法，推荐deep-learning-keras-tensorflow OK，废话不多说，让我们开始吧from keras.models import S

Otto 分类问题这里，我们将对Otto数据集进行分类。本文主要参考 2.3 Introduction to Keras。个人觉得这是一个很好Keras教程，希望大家也去学习学习。关于Otto，可以在 otto group 找到更多详细的材料本文主要关注代码的实现，具体细节和基本概念不会详细展开让我们开始吧就像以前说过的那样，处理一个问题主要分为三个部分：数据准备，模型构建和模型优化导入模块

Keras Hello World最近开始学习Keras，个人觉得最有效的学习方法就是写很多很多代码，熟能成巧。我们先从最简单的例子来学习Keras，Keras版的Hello World。 在这个例子中，我们的任务是进行花朵的分类。本文的代码来自 这里，作者将Keras与sklearn进行了比较，有详细代码的解释。本文只做Keras部分的内容，删去了原本sklearn的内容本文为个人的代码记录