深度学习

3.1序列结构的各种序列 （1）seq2seq：如机器翻译，从法文翻译成英文，将会是下面这样的结构，包括编码网络和解码网络。 （2）image to sequence：比如给一幅图像添加描述，如下图中的“一只猫站在椅子上”。同样包括编码网络和解码网络。 3.2选择最可能的句子 （1）机器翻译的本质就是一个条件语言模型，在给定输入的条件下输出最有可能的句子。 …

昨日，Uber官网重磅宣布新开源深度学习框架Ludwig，不需要懂编程知识，让专家能用的更顺手，让非专业人士也可以玩转人工智能，堪称史上最简单的深度学习框架！   Ludwig是一个建立在TensorFlow之上的工具箱，它允许用户在不需要编写代码的情况下训练和测试深度学习模型！   简单到什么程度？令人发指！   用户只需要提供一个包含数据的CSV文件，一…

知识点 “”” 机器翻译： 历史： 1、逐字翻译 2、基于统计学的机器翻译 3、循环网络和编码 翻译过程： 输入 — > encoder –>向量 –> decoder –>output （RNN） （RNN） seq_seq应用：文本摘要、聊天机器人、机器翻译 seq_seq存在的问题: 1、压缩损失的信息 2、长度限制(一…

主要参考博客： https://blog.csdn.net/u011046017/article/details/80672597#%E8%AE%AD%E7%BB%83%E4%BB%A3%E7%A0%81http://www.cs.toronto.edu/~frossard/post/vgg16/ 1、物体分类 imagenet_classes.py cla…

1、加载VGG19获取图片特征图 # coding = utf-8 import tensorflow as tf import numpy as np import matplotlib.pyplot as plt import os import scipy.io import scipy.misc def _conv_layer(input,weigh…

待补充 【参考博客】 【https://blog.csdn.net/mergerly/article/details/83753056】 【简书的一篇博客】 【简书的另一篇博客-讲组装机的】 【讲如何搭配深度学习服务器的博客】 【其他参考博客1】【博客2】【博客3】 【https://bbs.hupu.com/23084290.html】 【https://…

几天前，AlphaGO 3：0 轻松战胜了人类世界最顶尖的围棋选手柯洁，要知道围棋一直是人类族群中最复杂的高智商游戏，有句话叫千古无同局。你永远不可能走过相同的一盘棋，甚至每个地方都不一样。每一种可能都是一个分支数，然后每一个分支下面，还有无数个分支数。而且黑白之间，怎么判断哪个黑子比哪个白字强？这些都需要思考，判断，计算，而且要依赖于长年训练和积累。而Al…

深度学习中定义的损失函数基本上都是极度非凸的函数，仅使用梯度下降法（SGD）很容易陷入局部最优解，本系列打算讲解以下方法： 1、SGD (On the importance of initialization and momentum in deep learning) 2、momentum 3、Nesterov accelerated gradient 4…

http://www.mooc.ai/course/353/learn?lessonid=2289&groupId=0#lesson/2289 https://adeshpande3.github.io/adeshpande3.github.io/The-9-Deep-Learning-Papers-You-Need-To-Know-About.ht…

文章导读： 1.交叉熵损失函数 　　1.1 交叉熵损失函数介绍 　　1.2 在MNIST数字分类上使用交叉熵损失函数 　　1.3 交叉熵的意义以及来历 　　1.4 Softmax 2. 过拟合和正则化 　　2.1 过拟合 　　2.2 正则化 　　2.3 为什么正则化可以减轻过拟合问题 　　2.4 正则化的其它方法 3. 参数初始化 4. 其它方法 　　4.1…