分类 machine-learning 中的文章

Tensorflow 体验篇-4 卷积网络和图像分类

从理论上说,全连接神经网络能够表达一切的多项式,只要深度(隐藏层)够深,全连接神经网络能适应所有的模型,但缺点是需要极大的计算量,而且在深度增加,激活函数的传递量会大大减弱。卷积神经网络是为了解决这个问题,他利用类似生物的局部兴奋逐层整合,形成高级的抽象的概念的过程,减少训练参数,但增加深度,增加对抽象概念的准确性。CNN 在图像领域使用较多。……

阅读全文

Tensorflow 体验篇-3 全连接网络

全连接网络(fully connected network)是神经网络中非常重要的概念,他是由多层网络输入输出所组成的节点映射,每一层之间的节点都相互连接,对于一个 $R^m->R^n$ 的全连接网络,输入(m 个节点) 和输出(n 个节点)之间可能会有多个隐藏层,如图所示:……

阅读全文

Tensorflow 体验篇-1 使用 Tensorflow 做线性回归

线性回归是非常基础的统计学知识,也是所有机器学习研究的源头,因为现在的数学都还没有能很好的解决非线性的问题,所以基本上所有的机器学习的思路都是用非线性核函数,将数据转换到近似线性的空间中,然后再用线性方法如线性回归进行解决。……

阅读全文

Tensorflow 体验篇-0 安装

综述 当下机器学习火热,作为4年前也算是学过一些的研究生(半路出家),也很好奇现在的主流工业界对ML已经发展到什么程度了。在看了《精通数据科学:从线性回归到深度学习》1,以及简单的翻阅了几页的《TensorFlow for Deep Learning》2,我觉得现代深度学习的应用还算简单,比我们读书的时候新思路是很多,但是鉴于工业界的发展,实践也容易多了。……

阅读全文