《深度学习应用开发》学习笔记－03

有监督学习，无监督学习，半监督学习，强化学习。强化学习说的非常厉害，适用于下棋和游戏这一类领域，基本逻辑是正确就奖励，错误就惩罚来做一个学习。那么无监督学习的典型应用模式是什么呢？说出来之后你就会觉得无监督学习没有那么神秘了，那就是聚类。一个比较典型的例子就是超市里货架商品摆放，

分享深度学习发展的学习范式——混合学习

 这种学习范式试图去跨越监督学习与无监督学习边界。由于标签数据的匮乏和收集有标注数据集的高昂成本，它经常被用于商业环境中。从本质上讲，混合学习是这个问题的答案。我们如何才能使用监督学习方法来解决或者链接无监督学习问题？例如这样一个例子，半监督学习在机器学习领域正日益流行，因为它能

分享深度学习发展的学习范式——混合学习

    这种学习范式试图去跨越监督学习与无监督学习边界。由于标签数据的匮乏和收集有标注数据集的高昂成本，它经常被用于商业环境中。从本质上讲，混合学习是这个问题的答案。我们如何才能使用监督学习方法来解决或者链接无监督学习问题？例如这样一个例子，半监督学习在机器学习领域正日益流行，因

深度学习之构建机器学习算法

这就要求我们选择一个迭代数值优化过程，如梯度下降等。组合模型，损失函数和优化算法来构建学习算法的配方同时适用于监督学习和无监督学习。线性回归实例说明了如何适用于监督学习的。无监督学习时，我们需要定义一个只包含 X 的数据集，一个合适的无监督损失函数和一个模型。例如，通过指定如下

深度学习之构建机器学习算法

闭解。这就要求我们选择一个迭代数值优化过程，如梯度下降等。组合模型，损失函数和优化算法来构建学习算法的配方同时适用于监督学习和无监督学习。线性回归实例说明了如何适用于监督学习的。无监督学习时，我们需要定义一个只包含 X 的数据集，一个合适的无监督损失函数和一个模型。例如，通过指定

《深度学习应用开发》学习笔记－11

太快步子大了容易扯着蛋，也没有必要。这里的用学习率/步长来描述这个节奏，如果梯度是2.5，学习率是0.01，那下一个尝试的点是距离前一个点2.5*0.01=0.0025的位置。（梯度是固定的，还是每走一步都会变的呢？）个人认为好的学习率，不应该是一个固定值，而应该是先大后小。也就

《深度学习应用开发》学习笔记－10

征,?}，用于对新数据做出预测模型可将样本映射到预测标签，由模型的内部参数定义，内部参数通过学习得到具体到这里，参数就是 y=wx+b里的w和b，也叫权重和偏差？在监督式学习中，机器学习算法通过以下方式构建模型：检查多个样本并尝试找出可最大限度的减少损失的模型。这一过程称为经验风

深度学习LSTM模型

长短期记忆（Long short-term memory, LSTM）是一种特殊的RNN，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说，就是相比普通的RNN，LSTM能够在更长的序列中有更好的表现。

《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-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

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-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

深度学习之基于梯度的学习

复杂一些，但仍然可以很高效而精确地实现。会介绍如何用反向传播算法以及它的现代扩展算法来求得梯度。       和其他的机器学习模型一样，为了使用基于梯度的学习方法我们必须选择一个代价函数，并且我们必须选择如何表示模型的输出。现在，我们重温这些设计上的考虑，并且特别强调神经网络的情景。

《深度学习应用开发》学习笔记－06

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

《深度学习应用开发》学习笔记-31

com/data/forums/attachment/forum/202108/04/105156dxvyfdoaeoob1d2w.png) ```python #插播学习一下reshape,总体顺序还是不变，但切分点变了 import numpy as np int_array=np.array([i for

深度学习随机取样、学习率

4-8096个样本。学习率从梯度下降算法的角度来说，通过选择合适的学习率，可以使梯度下降法得到更好的性能。学习率，即参数到达最优值过程的速度快慢，当你学习率过大，即下降的快，很容易在某一步跨过最优值，当你学习率过小时，长时间无法收敛。因此，学习率直接决定着学习算法的性能表现。可

深度学习随机取样、学习率

4-8096个样本。学习率从梯度下降算法的角度来说，通过选择合适的学习率，可以使梯度下降法得到更好的性能。学习率，即参数到达最优值过程的速度快慢，当你学习率过大，即下降的快，很容易在某一步跨过最优值，当你学习率过小时，长时间无法收敛。因此，学习率直接决定着学习算法的性能表现。可

深度学习之机器学习的挑战

        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

深度学习之机器学习的挑战

        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