数字识别 背景介绍 模型概览 Softmax回归(Softmax Regression) 多层感知机(Multilayer Perceptron, MLP) 卷积神经网络(Convolutional Neural Network, CNN) 卷积层 池化层 常见激活函数介绍 数据介绍 Fluid API 概述 配置说明 Program F...

二、FNN 2.1 模型 2.1.1 FNN 2.1.2 SNN 2.2 实验 二、FNN 传统的 CTR 预估模型大多数采用线性模型。线性模型的优点是易于实现，缺点是：模型表达能力较差，无法学习特征之间的相互作用 interaction 。 非线性模型（如：FM,GBDT ）能够利用不同的组合特征，因此能够改善模型的表达能力。但是这...

四、隐单元 4.1 修正线性单元 4.2 maxout 单元 4.3 sigmoid / tanh 单元 4.4 其他隐单元 4.5 激活函数对比 四、隐单元 隐单元的设计是一个非常活跃的研究领域，并且目前还没有明确的指导性理论，难以决定何时采用何种类型的隐单元。 通常不能预先判断哪种类型的隐单元工作的最好，所以设计过程中需要反复试错...

10.7. 文本情感分类：使用循环神经网络 10.7.1. 文本情感分类数据 10.7.1.1. 读取数据 10.7.1.2. 预处理数据 10.7.1.3. 创建数据迭代器 10.7.2. 使用循环神经网络的模型 10.7.2.1. 加载预训练的词向量 10.7.2.2. 训练并评价模型 10.7.3. 小结 10.7.4. 练习 10....

10.9 编码器—解码器（seq2seq） 10.9.1 编码器 10.9.2 解码器 10.9.3 训练模型 小结 参考文献 10.9 编码器—解码器（seq2seq） 我们已经在前两节中表征并变换了不定长的输入序列。但在自然语言处理的很多应用中，输入和输出都可以是不定长序列。以机器翻译为例，输入可以是一段不定长的英语文本序列，输出可以是...

3分钟快速上手 运行例子 代码解读 FAQ 3分钟快速上手 这篇文章将介绍如何快速上手 OneFlow ，我们可以在3分钟内完成一个完整的神经网络训练过程。 运行例子 如果已经安装好了 OneFlow ，可以使用以下命令下载文档仓库 中的mlp_mnist.py 脚本，并运行。 wget https : //docs.oneflow.org...

BiRNN BiRNN class paddle.nn. BiRNN ( cell_fw, cell_bw, time_major=False ) [源代码] 双向循环神经网络 该OP是双向循环神经网络（BiRNN）的封装，将输入的前向cell和后向cell封装为一个双向循环神经网络。该网络单独执行前向和后向cell的计算并将输出拼接。 参...

每层隐藏层的神经元数量 显然，输入和输出层中神经元的数量由您的任务需要的输入和输出类型决定。例如，MNIST 任务需要28×28 = 784 个输入神经元和 10 个输出神经元。对于隐藏的层次来说，通常的做法是将其设置为形成一个漏斗，每个层面上的神经元越来越少，原因在于许多低级别功能可以合并成更少的高级功能。例如，MNIST 的典型神经网络可能具有两个隐...

第三章 改进神经网络的学习方法（上） 交叉熵代价函数 引入交叉熵代价函数 练习 练习 问题 使用交叉熵来对 MNIST 数字进行分类 交叉熵的含义？源自哪里？ 问题 Softmax 练习 练习 问题 问题 过匹配和规范化 规范化 为何规范化可以帮助减轻过匹配 规范化的其他技术 练习 问题 第三章 改进神经网络的学...

3.1. 线性回归 3.1.1. 线性回归的基本要素 3.1.1.1. 模型 3.1.1.2. 模型训练 3.1.1.2.1. 训练数据 3.1.1.2.2. 损失函数 3.1.1.2.3. 优化算法 3.1.1.3. 模型预测 3.1.2. 线性回归的表示方法 3.1.2.1. 神经网络图 3.1.2.2. 矢量计算表达式 3.1.3....