检测到您已登录华为云国际站账号，为了您更好的体验，建议您访问国际站服务网站 https://www.huaweicloud.com/intl/zh-cn
不再显示此消息
检测到您已登录华为云国际站账号，为了您更好的体验，建议您访问国际站服务网站 https://www.huaweicloud.com/intl/zh-cn
不再显示此消息
未及的出色结果。这也提升了研究人员扩展深度强化学习技术的信心，有望借鉴这个成果来解决包括围棋、Dota 2、Starcraft 2等等更复杂的任务。Atari游戏在之后也成为了强化学习研究的标准基准。早期的深度强化学习方法仅超过人类基本水平、学会7款游戏，但在后来几年时间里，基于
及的出色结果。这也提升了研究人员扩展深度强化学习技术的信心，有望借鉴这个成果来解决包括围棋、Dota 2、Starcraft 2等等更复杂的任务。Atari游戏在之后也成为了强化学习研究的标准基准。早期的深度强化学习方法仅超过人类基本水平、学会7款游戏，但在后来几年时间里，基于这
什么是深度？深度就是简单的量变。神经网络到深度神经网络，就是每一层的节点搞多一点，层数也搞多一点。但是如果说网络越深，节点越多，表现能力就越好，这个我看未必，过犹未及嘛深度神经网络本身没再多讲，讲的是卷积神经网络就是CNN。这个是在60年代的时候，在研究猫的神经元时发现的，199
在1904年的时候，生物学家了解了神经元的结构然后在1945年的时候发明了神经元模型。那么这个神经元的模型真的可以模拟生物的神经功能吗，个人觉得有点奇妙，不过动物植物本来都是很奇妙的存在。所谓的全连接层，就是说某层的一个节点，和他上一层的所有节点都有连接。就像连接的边长不同，每条
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。 在notebook里试试： ```python %matplotlib
先探索一下tf2里读取出的数据。 每张图片的数据化表示是28*28=784个数值，每个数值的类型是numpy.uint8，uint8的取值范围是0-255, 这个可能就是所谓的256位图吧？ 每张图片会有自己的标签，就是表示这张图片是数字0-9中的哪个。 另外用reshape重整了一下图像，比较有趣
可视化还是比较重要的，因为数据能在图形上看到，会更直观，更符合人的认知思维。 这里先来展示一下loss的可视化。 用matplot将列表值画出来，调用非常简单 plt.plot(loss_list) 横坐标是列表中的索引，纵坐标是列表值，也就是loss值。 可以看到，曲线在收敛了，还有
这里谈到了独热编码one-hot，独热编码是用来表示标签数据的。前面已经知道了，标签数据很简单，就是表示0-9范围内的一个数字。 说实话独热编码有什么用处，真的还没有理解。还有什么欧式空间的概念啊，都很陌生。 看看代码吧。 ```python #独热编码示例。 x=[3,4] tf
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~
pandas用来处理文件很方便，shuffle就是洗牌，我们打牌，一局结束后需要洗牌后再开始下一局的 这里介绍了pandas库，处理常规大小的数据文件，会很方便，基于BSD协议的库。 可以自动转换为numpy的多维数组。 下面是代码 ```python %matplotlib notebook
采用“注意力”的编码器-解码器网络 深度学习最卓越的成就大多体现在与视觉相关的任务中，并且由卷积神经网络驱动。虽然NLP研究已使用LSTM网络和编码器-解码器架构在语言建模和翻译方面取得了一定成功，但该领域也是直到注意力机制的出现才开始取得令人瞩目的成就。在处理语言时，每个
上一节训练不出结果，都是nan的原因找到了，就是因为特征数据没有做归一化，那归一化是个什么概念呢？这里有一个很好的例子，做一道菜，准备好材料鸭、笋、....盐、酱油...水，再加上烹饪火候，可以做出一道菜。上面做菜的每一个要素，都可以看做一个特征变量，而重量可以看做是特征变量的值，比如鸭肉xxg
先定义训练数据的占位符，定义了2个，1个是特征值x，1个是标签值y然后定义模型函数，这个函数有3个参数，1个就是上面说的x，还有2个是参数，分别是w和b，就是2个参数斜率和位移而上面的2个参数，要用tf.Variable来声明来创建变量，它是会变的，在训练中学习到的，所以给它的初值是多
说道：矩阵运算，是机器学习的基本手段，必须要掌握。 所以后面有线性代数、矩阵运算的基本介绍。 标量是一个特殊的向量（行向量、列向量），向量是一个特殊的矩阵；这样说来，标量，也是一个特殊的矩阵，一行一列的矩阵。 看代码吧 ```python import numpy as np ```
函式：执行特定任务的代码块，可以重复调用。Python在金融投资领域的应用是多方面的，从数据获取到策略执行，Python提供了一整套解决方案。对于希望进入量化交易领域的投资者来说，掌握Python是一项宝贵的技能。随着技术的不断进步，Python在金融领域的应用将会更加广泛和深入
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.x课件会保留，因为有助于底层原理的理解，而2.0的课件也会更新。这样的处理非常好，与时俱进，很负责任。并且建议先看2.0的编程基础那一节。
izer()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，进行梯度下降优化操作。这里为了演示，每轮迭代后绘制出模型曲线（这里有点不清楚的地方，是将样本输入模型？还是训练得到了模型？我觉得是前者，训练得到的只是参数值，模型不是训练出来的）训练代码：for xs,ys in
riminator）进行一前一后的训练。判别器经过训练来分辨真实图像和生成图像，而生成器的目标就是生成一些能够骗过判别器的样本。随着训练的深入，判别器识别伪造物体的能力会提高，但生成器也会越来越狡猾，并渐渐生成看起来更逼真的样本。第一代GAN生成的图像分辨率低，模糊不清，并且训练
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
特征值最小者）/（特征值最大值 - 特征值最小者） 这样归一化后的值，范围在 [0,1]之间。 标签值是不需要做归一化的哦 放一下有修改的代码，以及训练的结果： ```python #做归一化,对列index是0到11的特征值做归一化 #列index是12的是标签值，不需要做归一化哦 for i in
长按/截图保存，微信识别二维码
或者关注公众号“华为云”
