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
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
供的值是特征还是目标。通俗地说,无监督学习是指从不需要人为注释样本的分布中抽取信息的大多数尝试。该术语通常与密度估计相关,学习从分布中采样,学习从分布中去噪,需要数据分布的流形,或是将数据中相关的样本聚类。 一个经典的无监督学习任务是找到数据的 “最佳”表示。“最佳
机器学习的主要挑战是我们的算法必须能够在先前未观测的新输入上表现良好,而不只是在训练集上效果好。在先前未观测到的输入上表现良好的能力被称为泛化(generalization)。通常情况下,当我们训练机器学习模型时,我们可以访问训练集,在训练集上计算一些度量误差,被称为训练误差(training
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少是无所谓的然后就是怎么样来训练模型了训练模型就是一个不断迭代不断改进的过程首先是训练参数,也就是超参,一个是迭代次数train_epochs,这里设置为10,根据复杂情况,可能上万次都可能的。一个是学习率learning_rate,这里默认为0
还有一个是vggnet,他的问题是参数太大。深度学习的问题:1面向任务单一,依赖于大规模有标签数据,几乎是个黑箱模型。现在人工智能基本由深度学习代表了,但人工智能还有更多。。。然后就开始讲深度学习的开发框架。先整了了Theano,开始于2007年的加拿大的蒙特利尔大学。随着ten
复训练,选取出合适的a,LReLU的表现出的结果才比ReLU好。因此有人提出了一种自适应地从数据中学习参数的PReLU。PReLU是LeakyRelu的改进,可以自适应地从数据中学习参数。PReLU具有收敛速度快、错误率低的特点。PReLU可以用于反向传播的训练,可以与其他层同时优化。2
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 ```
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
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
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~
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
那怎么做归一化呢,方法比较简单,就是 (特征值 - 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
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
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
全书最核心的章节。第四部分(第14章)是关于元学习的内容,我们认为元学习应该是独立于统计机器学习和深度学习的一个研究领域,因为元学习跳出了学习“结果”的这种思想,学习的是“学习过程”,这也是自动化人工智能的理想目标。因此,我们将元学习单独作为一个部分,作为全书内容的升华,读者可以
assroom是之前的《大数据全栈计划》,我把学习经历记录在博文 华为云《大数据全栈成长计划》学习感受和心得体会-云社区-华为云 (huaweicloud.com) 这次跟着老师学习HTML和CSS,了解Web的简史,学习了HTML的常用标签,CSS选择器、常用属性和盒
数这个重要领域内做更进一步的研究。在许多领域深度学习都表现出巨大的潜力,但深度学习作为机器学习的一个新领域现在仍处于发展阶段,仍然有很多工作需要开展,很多问题需要解决,尽管深度学习的研究还存在许多问题,但是现有的成功和发展表明深度学习是一个值得研究的领域。
大多数机器学习算法都有设置超参数,可以用来控制算法行为。超参数的值不是通过学习算法本身学习出来的(尽管我们可以设计一个嵌套的学习过程,一个学习算法为另一个学习算法学出最优超参数)。所示的多项式回归实例中,有一个超参数:多项式的次数,作为容量超参数。控制权重衰减程度的 λ 是另一个
算法,人类终于找到了如何处理“抽象概念”这个亘古难题的方法。机器学习(Machine Learning)是一门专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构市值不断改善自身的性能的学科,简单地说,机器学习就是通过算法,使得机器能从大量的历史数据中学习规律,从而对新的样本做智能