深度学习基础知识——回归问题

（Hypothesis），线性回归的目标就是找到一组最优的w0和w1，使假设贴近表2.1中的数据集。如图2.1所示，希望训练得到的w0和w1能够尽可能拟合所给定的数据集。图2.1　线性回归模型那么如何得到最优的w0和w1呢？将训练的目标转换为最小化下面的函数：这个需要被最小化的函数就叫作损失函数（Loss

《深度学习应用开发》学习笔记-20

落了很长时间没学，捡起来继续。编号也忘了从哪里接上，就从20开始吧。 前面弄完了一元线性回归，现在是波士顿房价预测-多元线性回归。 数据方面，12+1共13个指标，506行数据。 前面12个是多个维度的数据，维度还是比较全面的，是输入值/特征。 比如：城镇人均犯罪率、师生比例、住宅比例、边界是否为河流等

《深度学习应用开发》学习笔记-23

loss_sum=0.0 for xs,ys in zip(x_data,y_data): xs=xs.reshape(1,12) #变形为和占位符一样，这里一次一行样本 ys=ys.reshape(1,1) _,loss=sess.run([optimizer,loss_function]

《深度学习应用开发》学习笔记-30

终于进了一步，看到了MNIST手写数字识别，使用一个神经元。 MNIST数据集来自于NIST 美国国家标准和技术研究所。 找学生和工作人员手写的。 规模：训练集55000，验证集5000，测试集10000。大小约10M。 数据集可以在网站上去下载，同时tf自己里面已经集成了这个数据集。

AI、机器学习、深度学习的关系

《深度学习应用开发》学习笔记-28

这个房价预测的例子基本就结束了，下面是用TensorBoard来将算法，和模型训练过程的一些信息进行可视化。可视化是一件有意见的工作，有助于信息的理解和推广。可视化在modelarts的老版的训练作业下，是收费的，但这个服务在新版的训练作业里已经没有了，也行是因为这个可视化服务的

《深度学习应用开发》学习笔记-21

```python #矩阵和标量的运算 matrix_b=matrix_np*2 print(matrix_b,'shape=',matrix_b.shape) ``` [[ 2 4 6] [ 8 10 12]] shape= (2, 3) ```python #矩阵和矩阵的加减法，要求矩阵尺寸相同

人工智能与机器学习和深度学习区别

年来发展迅速，得益于大数据和高性能计算的发展，在多个领域取得了突破性的进展综上所述，人工智能是一个广义的概念，涵盖了机器学习和深度学习等多个子领域。机器学习是人工智能的一个重要分支，专注于使用数据和算法使计算机能够模仿人类的学习方式。深度学习则是机器学习的一个子集，通过利用复杂算

深度学习基本概念

们发现从数据的原始形式直接学得数据表示这件事很难。深度学习是目前最成功的表示学习方法，因此，目前国际表示学习大会（ICLR）的绝大部分论文都是关于深度学习的。深度学习是把表示学习的任务划分成几个小目标，先从数据的原始形式中先学习比较低级的表示，再从低级表示学得比较高级的表示。这样

深度学习的现实应用

深度学习的现实应用近年来掀起的深度学习革命已经深刻地改变了诸多应用领域，并将在越来越多的领域取得成功。其中最广为人知的领域包括自动语音识别、图像识别、自然语言理解及很多其他交叉领域（如医疗、生物、金融等）一、语音识别在语音识别和智能语音助手领域，我们可以利用深度神经网络开发出更准

云业务知识

学习知识，看看，各个方面

深度学习介绍

学习目标 目标 知道深度学习与机器学习的区别了解神经网络的结构组成知道深度学习效果特点 应用 无 1.1.1 区别   1.1.1.1 特征提取方面 机器学习的特征工程步骤是要靠手动完成的，而且需要大量领域专业知识深度学习通常由多个层

深度学习的模型介绍

深度神经网络：深度学习的模型有很多，目前开发者最常用的深度学习模型与架构包括卷积神经网络 (CNN)、深度置信网络 (DBN)、受限玻尔兹曼机 (RBM)、递归神经网络 (RNN & LSTM & GRU)、递归张量神经网络 (RNTN)、自动编码器 (AutoEncoder)、生成对抗网络

《深度学习应用开发》学习笔记-25

loss_sum=0.0 for xs,ys in zip(x_data,y_data): xs=xs.reshape(1,12) #变形为和占位符一样，这里一次一行样本 ys=ys.reshape(1,1) _,loss=sess.run([optimizer,loss_function]

《深度学习应用开发》学习笔记－14

f.train.GradiantDescentOptimizer().minimize(loss_function)好了，后面就是创建会话和变量初始化tf.global_variable_initializer()然后开始迭代训练，训练的内容，是每次将样本逐个输入模型，进行梯度下

《深度学习应用开发》学习笔记－08

0在2019年已经推出了.虽然2.0和1.x，在本质上没有差别，但运行模式差异巨大，一个是eager execution动态图执行机制，一个是graph execution静态图执行机制，前者比较灵活，可以和python代码混写，后者比较死板，因为门槛高而被初学者所诟病。这个有点像敏捷和瀑布式的开发的区别。原来的1

《深度学习应用开发》学习笔记-29

房价的tf2版本，有一些变化。 1是直接使用sklearn.preprocessing里的scale来做归一化，更简单便捷 2不是一股脑将数据全用于训练，划分了分别用于训练、验证、测试的数据 3损失函数，优化器方面，代码有变化，头疼~ 4对训练数据没有做打散的操作 代码如下： 最

云业务知识

云业务知识，多学习，多记录！

深度学习的特点

深度学习区别于传统的浅层学习，深度学习的不同在于： (1)强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点；(2)明确了特征学习的重要性。也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更容易。与人工规则构造特征的方法相比，

深度学习笔记之应用

这种复杂性日益增加的趋势已将其推向逻辑结论，即神经图灵机 (Graves et al., 2014) 的引入，它能学习读取存储单元和向存储单元写入任意内容。这样的神经网络可以从期望行为的样本中学习简单的程序。例如，从杂乱和排好序的样本中学习对一系列数进行排序。这种自我编程技术正处于起步阶段，但原则上未来可以适用于几乎所有的任务。