使用fuzz testing模块测试模型安全性 概述 实现阶段 导入需要的库文件 参数配置 运用Fuzz Testing 使用fuzz testing模块测试模型安全性 Linux Ascend GPU CPU 数据准备 模型开发 模型训练 模型调优 企业 高级 概述 传统软件的决策逻辑由代码逻辑决定，传统软...

Sklearn 与 TensorFlow 机器学习实用指南 目录结构 第一部分 机器学习基础 第二部分 神经网络与深度学习 附录 联系方式 编译 免责声明 赞助我们 ApacheCN 组织资源 Sklearn 与 TensorFlow 机器学习实用指南 欢迎任何人参与和完善：一个人可以走的很快，但是一群人却可以走的更远 ...

六、历史小记 六、历史小记 现代前馈网络的核心思想自20世纪80年代以来没有发生重大变化。 近年来神经网络性能的大部分改变可归因于两个因素：更大的数据集、更大的网络（由于硬件的强大和软件设施的发展）。 算法上的部分改变也显著改善了神经网络的性能： 用交叉熵代替均方误差作为损失函数。 均方误差在20世纪80年代和90年代流行，后来逐渐被交叉...

Deeplearning Algorithms tutorial 反向传播(Backpropagation) 反向传播算法（BP算法）主要由两个阶段:激励传播与权重更新. 求误差的导数 应用示例 Deeplearning Algorithms tutorial 谷歌的人工智能位于全球前列，在图像识别、语音识别、无人驾驶等技术上都已经落地。而百...

感知器 感知器是最简单的人工神经网络结构之一，由 Frank Rosenblatt 发明于 1957。它是基于一种稍微不同的人工神经元（见图 10-4），称为线性阈值单元（LTU）：输入和输出现在是数字（而不是二进制开/关值），并且每个输入连接都与权重相连。LTU计算其输入的加权和（z = W1×1 + W2×2 + ... + + WN×n = Wt·...

可视化功能 一旦你的自编码器学习了一些功能，你可能想看看它们。 有各种各样的技术。 可以说最简单的技术是在每个隐藏层中考虑每个神经元，并找到最能激活它的训练实例。 这对顶层隐藏层特别有用，因为它们通常会捕获相对较大的功能，您可以在包含它们的一组训练实例中轻松找到这些功能。 例如，如果神经元在图片中看到一只猫时强烈激活，那么激活它的图片最显眼的地方都会包含...

规模驱动机器学习发展 规模驱动机器学习发展 关于深度学习（神经网络）的一些想法在几十年前就有了，那为什么它们到现在才流行起来了呢？ 推动其近期发展的主要因素有两个： 数据可用性（data availability） ：如今人们在数字设备（笔记本电脑、移动设备等）上花费的时间越来越多，对应的数字化行为与活动产生了海量的数据，而这些数据都可以提供给...

五、结构设计 5.1 通用近似定理 5.2 网络结构 五、结构设计 神经网络的结构指的是：神经网络有多少个单元、这些单元如何连接。 理想的网络结构必须根据具体任务反复试验，并评估验证集的误差来得到。 大多数神经网络被组织成以层为单位，然后层级之间为链式结构。每一层都是前一层的函数，如：第一层为 、第二层为 、… 链式结构中，主要的结构...

6、支持向量机 写在前面的话：距离上篇博客竟过去快一个月了，写完神经网络博客正式进入考试模式，几次考试+几篇报告下来弄得心颇不宁静了，今日定下来看到一句鸡血：Tomorrow is another due！也许生活就需要一些deadline~~ 上篇主要介绍了神经网络。首先从生物学神经元出发，引出了它的数学抽象模型—MP神经元以及由两层神经元组成的感...

用 TensorFlow 高级 API 训练 MLP 与 TensorFlow 一起训练 MLP 最简单的方法是使用高级 API TF.Learn，这与 sklearn 的 API 非常相似。DNNClassifier 可以很容易训练具有任意数量隐层的深度神经网络，而 softmax 输出层输出估计的类概率。例如，下面的代码训练两个隐藏层的 DNN（一个...