Tensorflow实战(1): 实现深层循环神经网络
循环神经网络能够挖掘数据中的时序信息,并且具有语义信息的深度表达能力,在语音识别、语言模型、机器翻译以及时序分析等方面得到了广泛应用。
在之前的文章中,我们介绍了RNN的很多内容,包括:
- [循环神经网络RNN介绍](https://zhuanlan.zhihu.com/p/3102842
由ypyu创建,最终由ypyu更新于
循环神经网络能够挖掘数据中的时序信息,并且具有语义信息的深度表达能力,在语音识别、语言模型、机器翻译以及时序分析等方面得到了广泛应用。
在之前的文章中,我们介绍了RNN的很多内容,包括:
由ypyu创建,最终由ypyu更新于
本文内容来自于[Introduction to TensorFlow Datasets and Estimators](https://link.zhihu.com/?target=https%3A//developers.googleblog.com/2017/09/introducing-ten
由ypyu创建,最终由ypyu更新于
在阅读本文之前,请确定你已经了解了神经网络的基本结构以及前向传播、后向传播的基本原理,如果尚未了解,可以查看下文。
[神经网络初探chrer.com ![图标](/community/uploads/default/original/3X/8/3/836cb6b4e8acb5
由ypyu创建,最终由ypyu更新于
在七月份对传统机器学习方法的总览学习之后,我这半个月都在学习如何使用TensorFlow框架进行深度学习,最近进行了一个小的项目——验证码识别,期间踩了不少
由ypyu创建,最终由ypyu更新于
本文主要介绍tf.Tensor的各种常用属性,张量是对矢量和矩阵向潜在的更高维度的泛化。对内,TensorFlow 将张量表现为基本数据类型的 n 维数组。
在编写 TensorFlow 程序时,操控和传递的主要目标是 tf.Tensor
。tf.Tensor
目标表示一个部分定义的
由ypyu创建,最终由ypyu更新于
Datasets和Estimators是Tensorflow中两个最重要的模块:
由ypyu创建,最终由ypyu更新于
在阅读本文之前,请确定你已经了解了神经网络的基本结构以及前向传播、后向传播的基本原理。
前向传播是神经网络最重要的算法之一,他的目的是通过输入层的输入进行推断,得到输出层的结果,下面假定一个简单的神经网络如下图,包含:一个输入层,一
由ypyu创建,最终由ypyu更新于
2018年的TensorFlow技术交流峰会已经结束了,介绍了Tensorflow的各种新功能和技术。本次峰会汇集了来自世界各地的各种机器学习用户,与TensorFlow团队和社区进行为期一整天的技术性交流,演示和对话。主要的技术分享者包括:Anitha Vijayakumar,Megan Kach
由ypyu创建,最终由ypyu更新于
一直想对tensorflow的slim做更深入的了解,于是就有了这篇文章,一是为了做笔记,二是为大家理解slim提供帮助。不过由于时间有限,此文章会慢慢更新,估计持续一周才能完成。另外,我是一名学习者,所以文章中难免有不正确的地方,希望大家多多包涵并请不吝指正。注:阅读这篇文章估计要花三个小时,所以
由ypyu创建,最终由ypyu更新于
要说史上最著名的猫,大概就是薛定谔的那只了。它被关在装有少量镭和氰化物的密闭容器里,当镭发生衰变时,就会触
由ypyu创建,最终由ypyu更新于
本文属于我们陆续发布的ETF投资指南系列研究文献,主要讲一下分析比较ETF可以用到的一些专业方法。这篇文章的专业性比较强,适合基金投资行业从业人员阅读。
在绝大部分投资者比较和分析ETF的时候,他们看的比较多的指标有:
![](/community/uploads/default/origin
由polll创建,最终由polll更新于
在投资者对于ETF的选择过程中,有一个因素大家需要特别注意,那就是预扣税(Withholding Tax)对于投资者回报的影响。
预扣税的定义:预扣税是一国政府在源头征收的一种所得税。该税收主要在非本国居民收到股票红利和债券利息时被征收。在这里大家需要注意几个重点概念:首先是该税收只针对非本国居民
由polll创建,最终由polll更新于
ETF,是Exchange Traded Funds的简称,中文名字叫做:交易型开放式指数基金。
对于投资者来说,ETF具有以下优点:费用低廉,交易透明,省税。由于这些优点,ETF在最近几年受到投资者的青睐。
![](/community/uploads/default/original/3X
由polll创建,最终由polll更新于
大家知道,ETF的中文名称叫做指数基金,因此绝大部分ETF投资的对象都是指数。那么究竟什么是指数呢?金融世界里有哪些不同的指数?这些不同指数各有哪些优缺点?今天这篇文章就来讲讲这些问题。
平时大家接触最多的,可能就是股票指数。比如在金融电台和报纸上,我们经常会看到诸如“上证综指今天报收XXX点”之
由polll创建,最终由polll更新于
在我和投资者们的沟通过程中,我发现有很多朋友对于指数基金(ETF)非常感兴趣。因此他们十分希望我可以分享一些在国内可以投资的ETF。今天这篇文章就来说说这个问题。
截止2016年12月30号,在中国上海证券交易所和深圳证券交易所上市的ETF共有140个(含货币基金ETF)。其中在上海证券交易所上市
由polll创建,最终由polll更新于
CW-RNN是一个带时钟频率的RNN变种,似乎是对回归有不错的效果,不过这个有争论。对一个时间序列,无论是回归还是分类都是将数据经过循环按照时间序列输入,RNN使用隐藏矩阵进行记忆,然后判定输出。针对原始RNN对长序列记忆效果极差,作者在这里设计了一种将隐藏状态矩阵(记忆机制)分割成g个小模块并使用
由polll创建,最终由polll更新于
上一回我们简单介绍了无向图模型和CRF的基本概念,下面我们来看看CRF在图像分割问题上的具体应用。我们简单回忆一下CRF中的两个关键变量,这时我们需要换一下变量的名称——我们用I表示图像的像素信息,也就是观察变量,我们用X表示图像中每一个像素的类别,也就是我们想要知道的信息。不过在更多的文档中,大家
由ypyu创建,最终由ypyu更新于
上一篇我们介绍了DenseCRF的形式,我们已经了解了denseCRF,下面我们花一点时间了解下denseCRF的求解方式——Mean Field Variational Inference
前面我们在介绍Variational autoen
由ypyu创建,最终由ypyu更新于
前面我们简单介绍了FCN——这个将High-Level任务转到Low-Level任务的模型。这里的High和Low并不是我们通常意义中的High和Low,两种任务并没有高低之分,但是两种任务实际上需要的技术还是有所不同的。CNN模型从High-Level任务起家,直接将它们放到Low-Level的任
由ypyu创建,最终由ypyu更新于
前面我们在denseCRF中留了一个小尾巴,那就是unary function。为了让FCN结合起来,这里我们做两个设定:
这样FCN
由ypyu创建,最终由ypyu更新于
前面我们介绍了许多利用CNN进行分类任务的模型,今天我们来看看用CNN做分割的模型。我们的主要内容来自这篇文章——《Fully Convolutional Networks for Semantic Segmentation》。
首先我们来简单看看图像分割的任务是什么样的。所谓的
由ypyu创建,最终由ypyu更新于
本文收录在无痛的机器学习第一季。
经过前两篇文章,我们了解了CRF的基本概念,了解了许许多多的CRF模型,也了解了Mean field variational inference的基本概念,那么这一回我们开始真刀真枪
由ypyu创建,最终由ypyu更新于
前面我们提到“深度学习”,读者很容易想到,那有没有相应的“浅层学习”呢?答案是,有。传统意义上的人工神经网络,主要由输入层、隐含层、输出层构成,其中隐含层也叫多层感知机(Multi Layer Perceptron)。
正如其名称所示,多层感知机的确也可以是多层的网络,但
由ypyu创建,最终由ypyu更新于
我们知道,深度学习网络,实质上就是层数较多的神经网络。追根溯源,那什么是神经网络呢?简单来说,它是一种模仿动物神经网络行为特征,进行分布式并行处理信息的算法模型。
人,无疑是有智能的。如果想让“人造物”具备智能,模仿人类是最朴素不过的方法论了。早在春秋时期,老子
由ypyu创建,最终由ypyu更新于
在聊完了“感知机”的一段发展史后,下面让我们言归正传,再从技术层面,深入讨论一下感知机的工作机理。
现在我们知道,所谓的感知机,其实就是一个由两层神经元构成的网络结构,它在输入层接收外界的输入,通过激活函数(含阈值)的变换,把信号传送至输出层,因此它也称之为“阈值逻
由ypyu创建,最终由ypyu更新于