Deeplearning Algorithms tutorial AdaBoost 算法原理 相关应用 优点 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。而百度实质意义上扛起了国内的人工智能的大旗，覆盖无人驾驶、智能助手、图像识别等许多层面。苹...

Deeplearning Algorithms tutorial 自组织映射算法（SOM） 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。而百度实质意义上扛起了国内的人工智能的大旗，覆盖无人驾驶、智能助手、图像识别等许多层面。苹果业已开始全面拥抱机器学...

构造阶段 开始吧。 首先我们需要导入tensorflow 库。 然后我们必须指定输入和输出的数量，并设置每个层中隐藏的神经元数量： import tensorflow as tf n_inputs = 28 * 28 # MNIST n_hidden1 = 300 n_hidden2 = 100 n_out...

十二、设备和服务器上的分布式 TensorFlow 十二、设备和服务器上的分布式 TensorFlow 在第 11 章，我们讨论了几种可以明显加速训练的技术：更好的权重初始化，批量标准化，复杂的优化器等等。 但是，即使采用了所有这些技术，在具有单个 CPU 的单台机器上训练大型神经网络可能需要几天甚至几周的时间。 在本章中，我们将看到如何使用 Te...

机器学习方法概论 机器学习方法概论 机器学习的对象是：具有一定的统计规律的数据。 机器学习根据任务类型，可以划分为： 监督学习任务：从已标记的训练数据来训练模型。 主要分为：分类任务、回归任务、序列标注任务。 无监督学习任务：从未标记的训练数据来训练模型。主要分为：聚类任务、降维任务。 半监督学习任务：用大量的未标记训练数据和少量的已标记数...

无监督预训练使用栈式自编码器 正如我们在第 11 章中讨论的那样，如果您正在处理复杂的监督任务，但您没有大量标记的训练数据，则一种解决方案是找到执行类似任务的神经网络，然后重新使用其较低层。 这样就可以仅使用很少的训练数据来训练高性能模型，因为您的神经网络不必学习所有的低级特征；它将重新使用现有网络学习的特征检测器。 同样，如果您有一个大型数据集，但大...

6.6 通过时间反向传播 6.6.1 定义模型 6.6.2 模型计算图 6.6.3 方法 小结 6.6 通过时间反向传播 在前面两节中，如果不裁剪梯度，模型将无法正常训练。为了深刻理解这一现象，本节将介绍循环神经网络中梯度的计算和存储方法，即通过时间反向传播（back-propagation through time）。 我们在3.14节（...

构建波士顿房价预测任务的神经网络模型 构建波士顿房价预测任务的神经网络模型 深度学习不仅实现了实现模型的端到端学习，还推动了人工智能进入工业大生产阶段，产生了标准化、自动化和模块化的通用框架。不同场景的深度学习模型具具备一定的通用性，五个步骤即可完成模型的构建和训练，如 图3 所示。 图3：构建神经网络/深度学习模型的基本步骤 正是由于深...

Deeplearning Algorithms tutorial PageRank 相关应用 优缺点 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。而百度实质意义上扛起了国内的人工智能的大旗，覆盖无人驾驶、智能助手、图像识别等许多层面。苹果业已开始...

手写数字识别任务 MNIST数据集 构建手写数字识别的神经网络模型 飞桨各模型代码结构一致，大大降低了用户的编码难度 教程采用"横纵式"教学法，适用于深度学习初学者 手写数字识别任务 数字识别是计算机从纸质文档、照片或其他来源接收、理解并识别可读的数字的能力，目前比较受关注的是手写数字识别。手写数字识别是一个典型的图像分类问题，已经被广...