一次训练一个自编码器 我们不是一次完成整个栈式自编码器的训练，而是一次训练一个浅自编码器，然后将所有这些自编码器堆叠到一个栈式自编码器（因此名称）中，通常要快得多，如图 15-4 所示。 这对于非常深的自编码器特别有用。 在训练的第一阶段，第一个自编码器学习重构输入。 在第二阶段，第二个自编码器学习重构第一个自编码器隐藏层的输出。 最后，您只需使用...

附录一、有用的 Python 数据科学包 数据科学模块 核心包 文本挖掘 数学和统计学 网络爬虫 可视化库 图论/网络 深度学习 标准库的有用部分 基本工具 实用函数 文件格式 数据对象 附录一、有用的 Python 数据科学包 原文：Useful Python Packages for Data Science 译者...

练习 你怎样去定义强化学习？它与传统的监督以及非监督学习有什么不同？ 你能想到什么本章没有提到过的强化学习应用？智能体是什么？什么是可能的动作，什么是奖励？ 什么是衰减率？如果你修改了衰减率那最优策略会变化吗？ 你怎么去定义强化学习智能体的表现？ 什么是信用评估问题？它怎么出现的？你怎么解决？ 使用回放记忆的目的是什么？ 什么是闭策略 RL 算法？ 使...

关联权重 当自编码器整齐地对称时，就像我们刚刚构建的那样，一种常用技术是将解码器层的权重与编码器层的权重相关联。 这样减少了模型中的权重数量，加快了训练速度，并限制了过度拟合的风险。 具体来说，如果自编码器总共具有N 个层（不计入输入层），并且 表示第L 层的连接权重（例如，层 1 是第一隐藏层，则层N / 2 是编码 层，而层N 是输出层），则解码...

控制依赖关系 在某些情况下，即使所有依赖的操作都已执行，推迟对操作的求值可能也是明智之举。例如，如果它使用大量内存，但在图形中只需要更多内存，则最好在最后一刻对其进行求值，以避免不必要地占用其他操作可能需要的 RAM。 另一个例子是依赖位于设备外部的数据的一组操作。 如果它们全部同时运行，它们可能会使设备的通信带宽达到饱和，并最终导致所有等待 I/O。 ...

数据增强 最后一个正则化技术，数据增强，包括从现有的训练实例中产生新的训练实例，人为地增加了训练集的大小。 这将减少过拟合，使之成为正则化技术。 诀窍是生成逼真的训练实例; 理想情况下，一个人不应该能够分辨出哪些是生成的，哪些不是生成的。 而且，简单地加白噪声也无济于事。 你应用的修改应该是可以学习的（白噪声不是）。 例如，如果您的模型是为了分类蘑菇图...

5-2,特征列feature_column 一，特征列用法概述 二，特征列使用范例 5-2,特征列feature_column 特征列 通常用于对结构化数据实施特征工程时候使用，图像或者文本数据一般不会用到特征列。 一，特征列用法概述 使用特征列可以将类别特征转换为one-hot编码特征，将连续特征构建分桶特征，以及对多个特征生成交叉特征等...

Angel的设计理念 灵活性 性能 易用性 扩展性 稳定 Angel的设计理念 Angel的整体设计理念，是简约而不简单 ，做一个灵活而强大的参数服务器，并在此之上，提供多种机器学习算法，和PS服务，扩展为一个分布式机器学习平台。 因此，在开发之时，Angel从如下5个方向，对整体进行了改进和设计，并在它们之间进行了平衡。包括： 易...

一、常用移动端深度学习框架 ———————— 2018.12.07 分割线 ———————— 二、性能对比 (截至2018.09) 1. NCNN / FeatherCNN / MACE 2. paddle-mobile (MDL) 三、框架评价 四、几款移动端深度学习框架分析 1.腾讯的FeatherCNN和ncnn 2.百度的 paddl...

Edward中文文档 关于Edward-cn 我们开始吧！ 安装 注 Resources Edward中文文档 Edward的设计反映了概率建模的基础。 它定义了可互换的组件，并且可以使用概率模型进行快速实验和研究。 Edward被命名的梗是George Edward Pelham Box 。Edward的设计遵循了Box先生的统计学和机...