《Keras深度学习实战》—3.7.2　怎么做

3.7.2　怎么做使用适当网络拓扑创建一个序贯模型：输入层：输入维度（*，784），输出维度（*，512）。隐藏层：输入维度（*，512），输出维度（*，512）。输出层：输入维度（*，512），输出维度（*，10）。每层的激活函数如下所示：第1层和第2层：relu函数第3层：softmax函数

《Keras深度学习实战》—3.2.2　怎么做

3.2.2　怎么做接下来介绍各种填充方式。预填充，默认为0.0填充首先，使用pad_sequences进行默认预填充： print语句输出的是填充到长度4的所有序列。后填充使用padding ='post'在较短的数组末尾填充0.0，代码段如下所示： 截断填充使用maxlen参数截断序列的第一个值或最后一个值：

在Ubuntu上搭建Python机器学习开发环境

（三）创建桌面快捷方式 （四）启动PyCharm （五）新建Python项目 一、安装Python3 查看ubuntu自带的Python版本 安装Python3，执行命令：sudo apt-get install python3

深度学习修炼（一）——从机器学习转向深度学习

于颜料来说，各种深度学习框架已经提供了我们所需的各种颜料。我们要做的，就是利用不同的颜料，在空白的纸上，一笔一划画出我们所需的网络。 深度学习改变了传统互联网业务。第一次听到这个名词时可能大家都会对这方面的知识感到一头雾水，到底什么是深度学习？实际上，深度学习已经应用到生活中的

深度学习之PCA

确定），使得方差的主坐标和 z 相关的新表示空间的基对齐。虽然相关性是数据元素间依赖关系的一个重要范畴，但我们对于能够消除特征依赖更复杂形式的表示学习也很有兴趣。对此，我们需要比简单线性变换能做到更多的工具。

深度学习卷积操作

卷积操作就是filter矩阵跟filter覆盖的图片局部区域矩阵对应的每个元素相乘后累加求和。

深度学习之Dropout

Dropout（Dropout）(Srivastava et al., 2014) 提供了正则化一大类模型的方法，计算方便但功能强大。在第一种近似下，Dropout可以被认为是集成大量深层神经网络的实用Bagging方法。Bagging涉及训练多个模型，并在每个测试样本上评估多个

深度学习之推断

在Bagging的情况下，每一个模型在其相应训练集上训练到收敛。在Dropout的情况下，通常大部分模型都没有显式地被训练，因为通常父神经网络会很大，以致于到宇宙毁灭都不可能采样完所有的子网络。取而代之的是，在单个步骤中我们训练一小部分的子网络，参数共享会使得剩余的子网络也能有好

《Keras深度学习实战》—3.3.2　怎么做

3.3.2　怎么做接下来，创建一个简单的模型并调用plot_model。Keras中通过plot_model()函数将神经网络绘制成图形。函数包括以下参数：model（必需）：要绘制的模型to_file（必需）：保存模型图的文件名称show_shapes（可选，默认为False）

《Keras深度学习实战》—3.6.2　怎么做

3.6.2　怎么做使用合适的网络拓扑创建一个序贯模型：输入层：输入维度（*，784），输出维度（*，512）。隐藏层：输入维度（*，512），输出维度（*，512）。输出层：输入维度（*，512），输出维度（*，10）。每层的激活函数：第1层和第2层：relu函数第3层：softmax函数

《Keras深度学习实战》—3.1.2　怎么做

3.1.2　怎么做使用mnist数据集。首先，绘制一个未经标准化的图像： 输出图像如下所示： 接下来使用ImageDataGenerator对该图进行特征标准化处理。初始化ImageDataGenerator使用keras.preprocessing.image.ImageDat

深度学习之半监督学习

在深度学习的背景下，半监督学习通常指的是学习一个表示 h = f(x)。学习表示的目的是使相同类中的样本有类似的表示。无监督学习可以为如何在表示空间聚集样本提供有用线索。在输入空间紧密聚集的样本应该被映射到类似的表示。在许多情况下，新空间上的线性分类器可以达到较好的泛化 (Belkin

深度学习框架TensorFlow

    TensorFlow是一个基于数据流编程（dataflow programming）的符号数学系统，被广泛应用于各类机器学习（machine learning）算法的编程实现，其前身是谷歌的神经网络算法库DistBelief   。Tensorflow拥有多层级结构，可部

《深度学习应用开发》学习笔记-23

从人的角度来看，12个特征比1个特征要复杂了很多， 但对计算机来说，无所谓。 在tf里，12元的线性回归方程的实现，比1元的线性方程的实现，代码上也只是多了一点点复杂度而已。 这就是计算机的优势。 只是最后训练的结果，为什么都是nan，像老师说的，脸都黑了哦~ 这次先到这里，请听下回分解~

《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

AI、机器学习、深度学习的关系

《Keras深度学习实战》—1.3.2　怎么做

1.3.2　怎么做在这一部分，我们将介绍如何安装Docker容器。安装Docker 容器1.在终端执行以下命令以运行Docker容器，用rajdeepd/jupyter-keras得到容器镜像： 2.此时已经在本地成功安装并激活了Notebook，可通过执行docker ps -a查看其输出结果，如下所示：

《深度学习应用开发》学习笔记－14

这里用的损失函数是采用均方差（Mean Square Error MES），还有一个是交叉熵（cross-entropy）这个tf都提供了方法，这样写：loss_function=tf.reduce_mean(tf.squre(y-pred))这里pred是一个节点，就是调用模型

《深度学习应用开发》学习笔记－08

从清华镜像下载python3的anaconda，然后安装anaconda，安装后，会用到他的prompt和jupyter notebook. 然后设置anaconda的源为清华镜像，安装tensorflow。可安装不带gpu的。教学够用了。这里版本是1.2. 安装好之后，做一个简

深度学习之监督学习算法

源自这样一个视角，教员或者老师提供目标 y 给机器学习系统，指导其应该做什么。在无监督学习中，没有教员或者老师，算法必须学会在没有指导的情况下让数据有意义。尽管无监督学习和监督学习并非完全没有交集的正式概念，它们确实有助于粗略分类我们研究机器学习算法时遇到的问题。传统地，人们将回归，分类