<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[zzulp的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/zzulp</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; zzulp]]></copyright><item><title><![CDATA[Pytorch实现基于CharRNN的文本分类与生成]]></title><link>https://blog.youkuaiyun.com/zzulp/article/details/84971395</link><guid>https://blog.youkuaiyun.com/zzulp/article/details/84971395</guid><author>zzulp</author><pubDate>Wed, 12 Dec 2018 13:25:26 +0800</pubDate><description><![CDATA[Pytorch实现基于CharRNN的文本分类与生成
标签： deep-learning pytorch nlp

1 简介
本篇主要介绍使用pytorch实现基于CharRNN来进行文本分类与内容生成所需要的相关知识，并最。
2 相关API的说明
pytorch框架中每种网络模型都有构造函数，在构造函数中定义模型的静态参数，这些参数将对模型所包含weights参数的维度进行设置。在运行时，模型的...]]></description><category></category></item><item><title><![CDATA[sklearn cookbook 总结]]></title><link>https://blog.youkuaiyun.com/zzulp/article/details/83685913</link><guid>https://blog.youkuaiyun.com/zzulp/article/details/83685913</guid><author>zzulp</author><pubDate>Sat, 03 Nov 2018 12:10:34 +0800</pubDate><description><![CDATA[Sklearn cookbook总结
1 数据预处理
1.1 获取数据
sklearn自带一些数据集，可以通过datasets模块的load_*方法加载，还有一些数据集比较大，可以通过fetch_*的方式下载。下面的代码示例了加载boston的房价数据和下载california的房价数据的方法。
from sklearn import datasets

boston = datasets.loa...]]></description><category></category></item><item><title><![CDATA[Web框架Django使用概览]]></title><link>https://blog.youkuaiyun.com/zzulp/article/details/82915339</link><guid>https://blog.youkuaiyun.com/zzulp/article/details/82915339</guid><author>zzulp</author><pubDate>Mon, 01 Oct 2018 10:49:12 +0800</pubDate><description><![CDATA[Web框架Django使用概览
标签： django python

1 开始一个新项目
django的安装比较简单，在命令行里执行下面的命令。
pip install django

为了能使用django已有的模板代码，需要使用django-admin命令来执行诸如创建项目，创建项目下的子模块(在django中称为app)的工作。django-admin会帮我们准备好一系列目录结构和文件，在保...]]></description><category></category></item><item><title><![CDATA[流畅的Python学习]]></title><link>https://blog.youkuaiyun.com/zzulp/article/details/82587867</link><guid>https://blog.youkuaiyun.com/zzulp/article/details/82587867</guid><author>zzulp</author><pubDate>Mon, 10 Sep 2018 12:10:01 +0800</pubDate><description><![CDATA[流畅的Python笔记


  流畅的Python笔记
  
  1 Python数据模型
  
  2 数据结构
  
  
    2.1 内置序列类型
    
    2.2 列表推导与生成器表达式
    
    2.3 元组
    
    2.4 切片
    
    2.5 序列对象上的+与*
    
    2.6 sorted函数与list的sort方法
    
  ...]]></description><category></category></item><item><title><![CDATA[神经网络框架-Pytorch使用介绍]]></title><link>https://blog.youkuaiyun.com/zzulp/article/details/80573331</link><guid>https://blog.youkuaiyun.com/zzulp/article/details/80573331</guid><author>zzulp</author><pubDate>Mon, 04 Jun 2018 21:23:28 +0800</pubDate><description><![CDATA[Pytorch上手使用



近期学习了另一个深度学习框架库Pytorch，对学习进行一些总结，方便自己回顾。

Pytorch是torch的python版本，是由Facebook开源的神经网络框架。与Tensorflow的静态计算图不同，pytorch的计算图是动态的，可以根据计算需要实时改变计算图。

1 安装

如果已经安装了cuda8，则使用pip来安装pytorch会十分简单。若使用其他...]]></description><category></category></item><item><title><![CDATA[深度学习之五：序列模型与词向量]]></title><link>https://blog.youkuaiyun.com/zzulp/article/details/79379960</link><guid>https://blog.youkuaiyun.com/zzulp/article/details/79379960</guid><author>zzulp</author><pubDate>Mon, 26 Feb 2018 17:39:25 +0800</pubDate><description><![CDATA[1 循环序列模型



1.1 序列模型的适用范围

序列模型是一种用于处理序列数据的模型，它可以用于语音识别，音乐生成，情感分类，机器翻译，命名实体识别等。模型的输出也可能是一个序列。



1.2 相关的符号约定

x&amp;lt;k&amp;gt;x&amp;lt;k&amp;gt;x^{} 表示输入序列中的第k个元素 
y&amp;lt;k&amp;gt;y&amp;lt;k&amp;gt;y^{} 表示输出序列中的第k个元素 
x(i)&amp;lt;k&amp;...]]></description><category></category></item><item><title><![CDATA[深度学习之四：卷积神经网络基础]]></title><link>https://blog.youkuaiyun.com/zzulp/article/details/79337786</link><guid>https://blog.youkuaiyun.com/zzulp/article/details/79337786</guid><author>zzulp</author><pubDate>Mon, 19 Feb 2018 19:24:58 +0800</pubDate><description><![CDATA[计算机视觉在深度学习的帮助下取得了令人惊叹的进展，其中发挥重要作用的是卷积神经网络。本节总结了卷积神经的原理与实现方法。



1 卷积神经网络



1.1 计算机视觉与深度学习

计算机视觉要解决的问题是如何让机器理解现实世界的现象。目前主要处理的问题如图像分类，目标检测，风格变换等。

对于小型图片，如MNIST的图片处理，图像大小为64*64，使用全连接神经网络还可以处理。如果图像较大，如...]]></description><category></category></item><item><title><![CDATA[深度学习之三：机器学习的策略]]></title><link>https://blog.youkuaiyun.com/zzulp/article/details/79329833</link><guid>https://blog.youkuaiyun.com/zzulp/article/details/79329833</guid><author>zzulp</author><pubDate>Fri, 16 Feb 2018 10:22:15 +0800</pubDate><description><![CDATA[本文为Andrew ng深度学习课程的第三部分，主要总结了机器学习的策略方法。

1 机器学习策略之一

当我们的模型搭建出来之后，策略可以指引我们为了达到目标，如何采取下一步行动。



1.1 正交化

当设计和训练一个监督学习的系统时，我们依赖下面四条正交的假定：


使模型在训练集上拟合，否则使用更大的神经网络或使用更好的优化算法。
使模型在开发集上拟合，否则使用正则化或使用更大的训练集
...]]></description><category></category></item><item><title><![CDATA[深度学习之二：神经网络的实践与优化]]></title><link>https://blog.youkuaiyun.com/zzulp/article/details/79329830</link><guid>https://blog.youkuaiyun.com/zzulp/article/details/79329830</guid><author>zzulp</author><pubDate>Fri, 16 Feb 2018 10:19:28 +0800</pubDate><description><![CDATA[本文内容为Andrew ng深度学习课程的第二部分的笔记，本篇总结了如何神经网络的训练和学习过程的实践经验与优化方法。

1 深度学习的实践技巧

应用机器学习是一个需要不断迭代的过程，众多经验参数如层数，隐层单元数，学习率，激活函数，权重参数的初始化方法等等众多的参数需要不断尝试改进以最终的得到较高的准确率。在这个过程中，有着众多的实践技巧。



1.1 训练/开发/测试集

如果针对某一监督...]]></description><category></category></item><item><title><![CDATA[深度学习之一：神经网络与深度学习]]></title><link>https://blog.youkuaiyun.com/zzulp/article/details/79318108</link><guid>https://blog.youkuaiyun.com/zzulp/article/details/79318108</guid><author>zzulp</author><pubDate>Mon, 12 Feb 2018 17:52:04 +0800</pubDate><description><![CDATA[深度学习之一：神经网络与深度学习





1 简介

本系列内容为Andrew NG的深度学习课程的笔记。深度学习课程在coursera及网易云课堂上都可以免费学习到。课程共计5部分，分别介绍了深度学习，深度学习的优化，深度学习项目的演进策略，卷积神经网络和循环神经网络。本系列笔记也分为5部分，分别与之相对应。

本篇内容主要介绍如何使用numpy，通过梯度下降实现后向传播算法，完成从简单的单个...]]></description><category></category></item><item><title><![CDATA[线性代数之七：矩阵的微分]]></title><link>https://blog.youkuaiyun.com/zzulp/article/details/78878094</link><guid>https://blog.youkuaiyun.com/zzulp/article/details/78878094</guid><author>zzulp</author><pubDate>Sat, 23 Dec 2017 08:52:48 +0800</pubDate><description><![CDATA[向量与矩阵微分基础1 简介对于可导实函数f在某点x处的导数，有 
f′(x)=limh→0f(x+h)−f(x)hf'(x)=\lim_{h\to 0}\frac{f(x+h)-f(x)}{h} 
从形式上，则有： 
f′(x)⋅h≈f(x+h)−f(x)f'(x) \cdot h \approx {f(x+h)-f(x)} 
本文将对向量和矩阵微分进行基础性的介绍，补充机器学习中所需要的微分计算基]]></description><category></category></item><item><title><![CDATA[概率论基础之一：事件的概率]]></title><link>https://blog.youkuaiyun.com/zzulp/article/details/78638347</link><guid>https://blog.youkuaiyun.com/zzulp/article/details/78638347</guid><author>zzulp</author><pubDate>Sun, 26 Nov 2017 17:25:19 +0800</pubDate><description><![CDATA[第1章 组合分析1.1 计数法则计数基本法则：有两个试验，试验1有m种可能发生的结果，而对于试验1的每一个结果，试验2有n种可能发生的结果，则对两个试验来说，一共有m*n种可能结果。计数法则推广：一共有k个试验，第一个试验有n1n_1种可能结果；对于第一个试验的每一种结果，第二个试验有n2n_2种可能结果；对应于前两个试验的每一种试验结果，第三个试验有n3n_3种可能结果；等等，则这r个试验一种有n]]></description><category></category></item><item><title><![CDATA[线性代数之六：特征值与特征向量]]></title><link>https://blog.youkuaiyun.com/zzulp/article/details/78511711</link><guid>https://blog.youkuaiyun.com/zzulp/article/details/78511711</guid><author>zzulp</author><pubDate>Sun, 12 Nov 2017 14:26:53 +0800</pubDate><description><![CDATA[6.1 特征值与特征向量特征向量：若A为n阶方阵，如果存在一个非零向量x使得Ax=λxAx=\lambda x，则称标量λ\lambda为特征值(eigenvalue)，称x为属于λ\lambda的特征向量(eigenvector)。特征向量与零度空间：方程Ax=λxAx=\lambda x可以写为(A−λI)x=0(A - \lambda I)x=0，因此λ\lambda为特征值的充要条件是方程有]]></description><category></category></item><item><title><![CDATA[线性代数之五：正交性]]></title><link>https://blog.youkuaiyun.com/zzulp/article/details/78483865</link><guid>https://blog.youkuaiyun.com/zzulp/article/details/78483865</guid><author>zzulp</author><pubDate>Wed, 08 Nov 2017 21:58:03 +0800</pubDate><description><![CDATA[5.1 标量积5.1.1 向量余弦标量积定义：有两个RnR^n中的列向量x,y，则乘积xTyx^Ty称为x,y的标量积(scalar product)，标量积为一个标量∑xiyi\sum x_i y_i向量的欧氏距离:若x∈Rnx\in R^n，则向量x的欧氏距离可通过标量积定义||x||=(xTx)12=(∑x2i)‾‾‾‾‾‾√||x|| = ({x^Tx})^\frac{1}{2}= \sqr]]></description><category></category></item><item><title><![CDATA[线性代数之四：线性变换]]></title><link>https://blog.youkuaiyun.com/zzulp/article/details/78462906</link><guid>https://blog.youkuaiyun.com/zzulp/article/details/78462906</guid><author>zzulp</author><pubDate>Mon, 06 Nov 2017 22:42:27 +0800</pubDate><description><![CDATA[4.1 定义线性变换：一个将向量空间V映射到向量空间W的映射L，如果对所有V中的向量v以及标量a,b，都有L(av1+bv2)=aL(v1)+bL(v2)L(av_1+bv_2)=aL(v_1)+bL(v_2)，则称L为V的线性变换(Liner transformation)，记作L:V−>WL:V->W，如果V和W是相同的，称L是V的线性算子(liner operator)。线性变换的性质：若L为]]></description><category></category></item><item><title><![CDATA[线性代数之三：向量空间]]></title><link>https://blog.youkuaiyun.com/zzulp/article/details/78429444</link><guid>https://blog.youkuaiyun.com/zzulp/article/details/78429444</guid><author>zzulp</author><pubDate>Thu, 02 Nov 2017 21:14:25 +0800</pubDate><description><![CDATA[3.1 向量空间定义令V为一定义了加法和标量乘法的集合。对V中的任意元素x,y，x+y仍在V中。对于任意标量c，积cx仍在V中。同时若V还满足下面的公理，则V称为向量空间。
对V中任意x和y,x+y=y+x
对V中任意x,y和z,(x+y)+z = x+(y+z)
V中存在一个元素0，满足对任意的x都有x+0=x
V中任意元素x，都存在一个元素-x，满足x+(-x)=0
对任意标量c，都有c(x+y]]></description><category></category></item><item><title><![CDATA[线性代数之二：行列式]]></title><link>https://blog.youkuaiyun.com/zzulp/article/details/78424707</link><guid>https://blog.youkuaiyun.com/zzulp/article/details/78424707</guid><author>zzulp</author><pubDate>Thu, 02 Nov 2017 14:37:50 +0800</pubDate><description><![CDATA[2.1 行列式]]></description><category></category></item><item><title><![CDATA[线性代数之一：方程组与矩阵]]></title><link>https://blog.youkuaiyun.com/zzulp/article/details/78419628</link><guid>https://blog.youkuaiyun.com/zzulp/article/details/78419628</guid><author>zzulp</author><pubDate>Wed, 01 Nov 2017 22:30:06 +0800</pubDate><description><![CDATA[1 线性方程组
2 行阶梯形
3 矩阵算术
4 矩阵代数
5 初等矩阵]]></description><category></category></item><item><title><![CDATA[NLTK学习之四：文本信息抽取]]></title><link>https://blog.youkuaiyun.com/zzulp/article/details/77414113</link><guid>https://blog.youkuaiyun.com/zzulp/article/details/77414113</guid><author>zzulp</author><pubDate>Sat, 19 Aug 2017 17:20:20 +0800</pubDate><description><![CDATA[1 信息抽取从数据库中抽取信息是容易的，但对于从自然文本中抽取信息则不那么直观。通常信息抽取的流程如下：它开始于分句，分词，接下来进行词性标注，识别其中的命名实体，最后使用关系识别搜索相近实体间的可能的关系。]]></description><category></category></item><item><title><![CDATA[NLTK学习之三：文本分类与构建基于分类的词性标注器]]></title><link>https://blog.youkuaiyun.com/zzulp/article/details/77336253</link><guid>https://blog.youkuaiyun.com/zzulp/article/details/77336253</guid><author>zzulp</author><pubDate>Thu, 17 Aug 2017 17:09:54 +0800</pubDate><description><![CDATA[分类是为给定输入选择正确的类标签的任务。比如判断一封Email是否是垃圾邮件，确定一篇新闻的主题。 
如果分类需要人工标准的标签进行训练，则称为有监督分类。
特征是一个非常重要的概念。使用分类器首先要决定选择什么 样的特征，以及对特征进行编码。如果没有特征直接输入原始数据，则数据会十分离散而难以训练出有用的模型。]]></description><category></category></item></channel></rss>