深度学习之交叉验证

数据集分成固定的训练集和固定的测试集后，若测试集的误差很小，这将是有问题的。一个小规模的测试集意味着平均测试误差估计的统计不确定性，使得很难判断算法 A 是否比算法 B 在给定的任务上做得更好。当数据集有十万计或者更多的样本时，这不会是一个严重的问题。当数据集太小时，也有替代方法允许我们使用所有的样本估计平均测试误差

深度学习神经网络

深度学习借鉴的这个过程就是建模的过程。 

深度学习之权重比例

权重比例推断规则在其他设定下也是精确的，包括条件正态输出的回归网络以及那些隐藏层不包含非线性的深度网络。然而，权重比例推断规则对具有非线性的深度模型仅仅是一个近似。虽然这个近似尚未有理论上的分析，但在实践中往往效果很好。Goodfellow et al. (2013b) 实验发现，

深度学习Sigmoid 激活函数

Sigmoid 函数的图像看起来像一个 S 形曲线。

深度学习笔记之应用

      深度学习对语音识别产生了巨大影响。语音识别在 20 世纪 90 年代得到提高后，直到约 2000 年都停滞不前。

AI前沿——深度学习技术

深度学习的出现就这个问题提出了一种解决方案。

《深度学习入门》笔记 - 26

欠拟合、过拟合的总结如下:接下来是TensorFlow框架部分，之前有个帖子 基于TensorFlow 2建立深度学习的模型 - 快速入门 cid:link_0然后会使用它来建立线性回归模型和神经网络分类模型敬请期待

深度学习——常用评价指标

准确率 （Accuracy），混淆矩阵 （Confusion Matrix），精确率（Precision），召回率（Recall），平均正确率（AP），mean Average Precision(mAP)，交除并（IoU），ROC + AUC，非极大值抑制（NMS）。1、准确率

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GoogLeNet结构

深度学习之隐藏单元

隐藏单元的设计是一个非常活跃的研究领域，并且还没有许多明确的指导性理论原则。整流线性单元是隐藏单元极好的默认选择。许多其他类型的隐藏单元也是可用的。决定何时使用哪种类型的隐藏单元是困难的事（尽管整流线性单元通常是一个可接受的选择）。我们这里描述对于每种隐藏单元的一些基本直觉。这些直觉可以用来建议我们何时来尝试一些单元

《深度学习入门》笔记 - 09

继续线性回归模型，前面说了如何更新模型参数w，让预测值接近于真实值。现在我们来尝试迭代多次，看看效果。 从w=0开始 ```python #w初始值给0 x,y=0.5,0.8 w=0;lr=0.5 #lr学习率=0.5 pred=x*w loss=((pred-y)**2)/2

机器学习之深度学习

有趣的是，二十一世纪初，连接主义学习又卷上重来，掀起了以 “深度学习”为名的热潮．所谓深度学习，狭义地说就是 “很多层 ＂ 的神经网络．在若干测试和竞赛上，尤其是涉及语音、 图像等复杂对象的应用中，深度学习技术取得了优越性能以往机器学习技术在应用中要取得好性能，对使用者的要求较高；

深度学习之流形学习

      流形 (manifold) 指连接在一起的区域。数学上，它是指一组点，且每个点都有其邻域。给定一个任意的点，其流形局部看起来像是欧几里得空间。日常生活中，我们将地球视为二维平面，但实际上它是三维空间中的球状流形。      每个点周围邻域的定义暗示着存在变换能够从一个位置移动到其邻域位置

深度学习应用开发学习

深度学习的核心是构建多层的神经网络，而卷积神经网络（CNN）的发展，尤其是AlexNet在2012年的突破，让我对深度学习的强大能力有了更深的认识。在学习过程中，我也了解到了不同的深度学习开发框架，包括Theano、Caffe、Torch、PyTorch以及Keras等。

深度学习神经网络

    什么是神经网络    我们常常用深度学习这个术语来指训练神经网络的过程。有时它指的是特别大规模的神经网络训练。那么神经网络究竟是什么呢？在这个文章中，我会说一些直观的基础知识。让我们从一个房价预测的例子开始说起。    假设你有一个数据集，它包含了六栋房子的信息。

深度学习之函数估计

有时我们会关注函数估计（或函数近似）。这时我们试图从输入向量x 预测变量 y。我们假设有一个函数 f(x) 表示 y 和 x 之间的近似关系。例如，我们可能假设 y = f(x) + ϵ，其中 ϵ 是 y 中未能从 x 预测的一部分。在函数估计中，我们感兴趣的是用模型估计去近似 f

深度学习之快速 Dropout

使用Dropout训练时的随机性不是这个方法成功的必要条件。它仅仅是近似所有子模型总和的一个方法。Wang and Manning (2013) 导出了近似这种边缘分布的解析解。他们的近似被称为快速 Dropout（fast dropout），减小梯度计算中的随机性而获得更快的收敛速度

《深度学习入门》笔记 - 20

因变量的常见数据类型有三种：定量数据、二分类定性数据和多分类定性数据。输出层激活函数的选择主要取决于因变量的数据类型。MNIST数据集是机器学习文献中常用的数据。因变量（0~9）用独热码表示，比如数字8的独热码为（0 0 0 0 0 0 0 0 1 0）数字2的读热码为（0 0 1

深度学习之快速 Dropout

使用Dropout训练时的随机性不是这个方法成功的必要条件。它仅仅是近似所有子模型总和的一个方法。Wang and Manning (2013) 导出了近似这种边缘分布的解析解。他们的近似被称为快速 Dropout（fast dropout），减小梯度计算中的随机性而获得更快的收敛速度