李响

文章目录1 Keras实现2 优化1 Keras实现import keras.datasets.mnist as mnistimport matplotlib.pyplot as pltimport kerasfrom keras import layers(train_image,train_label),(test_image,test_label)=mnist.load_data()print(train_image.shape)plt.imshow(train_image[0])

文章目录1 逻辑回归1.2 Sigmod函数1.2 逻辑回归损失函数2 交叉熵3 softmax分类1 逻辑回归回答0或11.2 Sigmod函数0.9是好人 0.1是坏人二分类1.2 逻辑回归损失函数对于分类问题，我们使用交叉殇会更有效。2 交叉熵交叉熵（Cross-Entropy）交叉熵是一个在ML领域经常会被提到的名词。在这篇文章里将对这个概念进行详细的分析。1.什么是信息量？假设X是一个离散型随机变量，其取值集合为X，概率分布函数为p(x)=Pr(X=x),x∈X，我们

文章目录1 example2 keras实现1 exampleY=w1* x1+w2* x2+b2 keras实现import pandas as pdimport kerasfrom keras import layersdata=pd.read_csv('./Advertising.csv')print(data.head())x=data[data.columns[0:-1]]y=data.iloc[:,-1]print(x)print(y)model=keras.Se

文章目录1 keras-Dense层2 batch epoch step3 keras实现线性回归1 keras-Dense层Dense层就是所谓的全连接神经网络层以下给出Dense方法的使用示例：keras.layers.Dense(512, activation= 'sigmoid', input_dim= 2, use_bias= True)这里定义了一个有512个节点，使用sigmoid激活函数的神经层，注意定义第一层的时候需要制定数据输入的形状，即input_dim，这样才能让数据正常

文章目录1 预测目标和损失函数2 直观理解梯度下降1 预测目标和损失函数目标：预测函数f（x）与真实值之间的整体误差最小。损失函数：使用均方差作为成本函数，也就是预测值和真实值之间差的平方取均值（损失函数）。优化目标：找到合适的a和b，让损失函数越小越好。????2 直观理解梯度下降????????????????????????????????...

文章目录1 代码实现2 输出：3 过程讲解3.1 训练模型3.2 保存模型3.3 导入模型并应用1 代码实现import numpy as npnp.random.seed(1337) # for reproducibilityfrom keras.models import Sequentialfrom keras.layers import Densefrom keras.mo...

文章目录1 前言2 Autoencoder2.1 编码器 Encoder （—PCA主成分分析一个道理）2.2 解码器 Decoder3 代码实现4 讲解6 输出结果1 前言本文分为讲解自编码，和针对Mnist数据集的代码实现两部分。2 Autoencoder自编码，简单来说就是把输入数据进行一个压缩和解压缩的过程。 原来有很多 Feature，压缩成几个来代表原来的数据，解压之后恢复成原...

文章目录1 前言2 RNN 的弊端3 LSTM4 代码实现5 重要部份讲解6 输出：1 前言和前几篇文章一样，依旧是分为讲解和代码实现。2 RNN 的弊端之前我们说过, RNN 是在有顺序的数据上进行学习的. 为了记住这些数据, RNN 会像人一样产生对先前发生事件的记忆. 不过一般形式的 RNN 就像一个老爷爷, 有时候比较健忘. 为什么会这样呢?再来看看 RNN是怎样学习的吧....

文章目录1 前言2 RNN-循环神经网络2.1 序列数据2.2 处理序列数据的神经网络2.3 应用3 代码实现4 代码讲解5 输出1 前言本文分为RNN简单讲解，与Keras快速搭建RNN网络两部分。2 RNN-循环神经网络2.1 序列数据我们想象现在有一组序列数据 data 0,1,2,3. 在当预测 result0 的时候,我们基于的是 data0, 同样在预测其他数据的时候, 我...

文章目录前言1 CNN概述2 我的分析3 代码实现4 代码分析6 结果前言本文分为CNN讲解和keras实现CNN（mnist数据集）两部分。1 CNN概述卷积神经网络（Convolutional Neural Networks / CNNs / ConvNets）与普通神经网络非常相似，它们都由具有可学习的权重和偏置常量(biases)的神经元组成。每个神经元都接收一些输入，并做一些点...

文章目录前言1 线性回归预测2 手写数字识别3 模型优化前言本文分为三部分：a.线性回归b.手写数字识别c.手写数字识别模型优化。1 线性回归预测import kerasUsing TensorFlow backend.c:\program files\python36\lib\site-packages\tensorflow\python\framework\dtypes....

文章目录1.LSTM 网络2.之前也提到过RNNs取得了不错的成绩，这些成绩很多是基于LSTMs来做的，说明LSTMs适用于大部分的序列场景应用。3.代码实现1.LSTM 网络可以理解为RNN的升级。Long Short Term Memory networks（以下简称LSTMs），一种特殊的RNN网络，该网络设计出来是为了解决长依赖问题。该网络由 Hochreiter & Sch...

文章目录CNN1.CNN介绍2.CNN基本原理代码实现手写数字复杂网络层抽特征可视化工具http://scs.ryerson.ca/~aharley/vis/conv/CNN1.CNN介绍CNN是应用在图像识别领域较多的一种机器学习算法，它与普通的神经网络有点类似，通过输入层然后乘以权重加上偏置，并且通过一个非线性的激活函数，即可得到输出值。CNN要做的是给定一幅图，对该图像进行编码最终即可...

文章目录RNN简介1.RNN的应用2.什么是RNN？3.RNN用来做什么？4. 训练RNNsKeras代码实现（Mnist）RNN简介1.RNN的应用RNN主要有两个应用，一是评测一个句子出现的可能性，二是文本自动生成。\2.什么是RNN？RNN之所以叫RNN是因为它循环处理相同的任务，就是预测句子接下来的单词是什么。RNN认为在这循环的任务中，各个步骤之间不是独立，于是它循环记录前面所...

文章目录前言mnist_model.pypredict.py前言深度学习领域的“hello，world”可能就是这个超级出名的MNIST手写数字数据集的训练（想多了，要是有C++的helloworld简单就好了）。在我这个项目中，除了最基本的对MNIST数据集进行训练，我还加入了以下功能：可以运用热点图查看MNIST数据集中的图像可以通过转换识别自己手写数字的照片mnist_model...

文章目录Sequential程序说明代码实现运行结果Sequential初步了解了tensorflow以后，发现了基于tensorflow的非常简洁的深度学习框架keras，只需要短短几行代码就可以编写网络模型：下面是示例一，最简单的使用例子，采用最基本的序贯模型：程序说明1.训练网络的目的为判断x数组中类似数据属于y数组中的哪一类2.使用简单的序贯模型，序贯模型是多个网络层的线性堆叠...

文章目录1.代码1.1导入库1.2生成随机数1.3创建模型并训练2.总代码3.参考1.代码1.1导入库import kerasimport numpy as npimport matplotlib.pyplot as pltfrom keras.models import Sequential # 按顺序构成的模型from keras.layers import Dense # 全...

文章目录1.关于Keras2.Keras的模块结构3.使用Keras搭建一个神经网络4. 主要概念5.第一个示例下载网站数据注意1.关于Keras 1）简介 Keras是由纯python编写的基于theano/tensorflow的深度学习框架。 Keras是一个高层神经网络API，支持快速实验，能够把你的idea迅速转换为结果，如果有如下需求，可以...

目录Keras介绍Keras和tensorflow关系Keras介绍Keras 是一个高级的Python 神经网络框架，其文档详。Keras 已经被添加到TensorFlow 中，成为其默认的框架，为TensorFlow 提供更高级的API。如果读者不想了解TensorFlow 的细节，只需要模块化，那么Keras 是一个不错的选择。如果将TensorFlow 比喻为编程界的Java 或...