关注公众号“从机器学习到深度学习那些事”获取更多最新资料写在前面学习建议：以下学习过程中有不理解可以简单查找下资料，但不必纠结（比如非得深究某一个函数等），尽量快速的学一遍，不求甚解无妨。多实操代码，不能只复制代码，或者感觉懂了就只看。熟能生巧，我亦无他，唯手熟尔今天介绍一些基础函数及其用法，基本全是代码，一些解释都放在代码的注释里了。直接看代码吧，记得在你本地跑一下看哦代码1#tensor.get_shape() 获...
一、前述GAN，生成对抗网络，在2016年基本火爆深度学习，所有有必要学习一下。生成对抗网络直观的应用可以帮我们生成数据，图片。二、具体1、生活案例比如假设真钱 r 坏人定义为G 我们通过 G 给定一个噪音X 通过学习一组参数w 生成一个G（x），转换成一个真实的分布。 这就是生成，相当于造假钱。警察定义为D 将G(x)和真钱r 分别输入给判别网络，能判别出真假，真钱判别为0，假钱判别为1 。这就是判别。最后生成网络想让判别网络...
占位符允许稍后赋值，通常用于存储样本数据。要创建占位符，可使用tf.placeholder方法。语法tf.placeholder(dtype, shape=None, name=None )说明dtype: 数据类型shape: 占位符的维数，可选。默认情况下，值为赋值数据的形状name: 占位符的名称，可选声明一个占位符:import tensorflow.compat.v1 as tf tf.compat.v1.disable_eager_execution() data_placeholder_a = tf.placeholder(tf.float32, name = "data_placeholder_a") prin...
感知机（perception），1957，神经网络（深度学习）起源感知机是具有输入和输出的算法。给定一个输入后，将输出一个既定的值。感知机将权重和偏置设定为参数。使用感知机可以表示与门和或门等逻辑电路。异或门无法通过单层感知机来表示。使用2层感知机可以表示异或门。单层感知机只能表示线性空间，而多层感知机可以表示非线性空间。多层感知机（在理论上）可以表示计算机。 原文：https://www.cnblogs.com/s-zhou/p/13199574.html
推荐理由 这本书用非常简单精妙的思想讲述了深度学习的基本原理。我感觉这本书告诉了我一个很重要的道理，如果你读了很多书都没有把一个概念读懂，那可能真的不一定是你的问题，还有可能是书的问题。一个好的老师，就应该把班里最笨的学生教会（如果他愿意学的话）。我想这本书，可以在我的顶级程序员书单系列排名第3-5位，非常值得一读。 我的部分笔记 深度学习经验 1.更深入地理解深度学习，最好的办法就是亲自实现。 2.光看数学...
最近要学习python深度学习，因为要用python做图形的识别，求相关的入门书籍。中文的最好。就是给一张图，能够识别出图像是什么。回复内容： 这是一个较完整的应用深度学习进行图像识别的学习路径，不是深度学习的捷径！1. 模式识别从你的描述问题的语言来看，题主似乎对模式识别没有较高的认识。所以在做基于深度学习的图像识别前，建议先大致阅读模式识别和计算机视觉相关书籍。先理解图像这个信息本身，才来尝试识别。《学习Open...
机器学习AI算法工程 公众号： datayx 深度学习学习7步骤 1．学习或者回忆一些数学知识 因为计算机能做的就只是计算，所以人工智能更多地来说还是数学问题[1]。我们的目标是训练出一个模型，用这个模型去进行一系列的预测。于是，我们将训练过程涉及的过程抽象成数学函数：首先，需要定义一个网络结构，相当于定义一种线性非线性函数；接着，设定一个优化目标，也就是定义一种损失函数（loss function）。 而训练的过程，就是求解最...
序列数据案例 循环神经网络RNN
深度学习之卷积神经网络 卷积神经网络
download：Python3入门人工智能 掌握机器学习+深度学习 提升实战能力 Flare老师帮你全面梳理人工智能核心知识，使用流行的Python3语言手把手带你完成AI实战项目，课程囊括机器学习与深度学习，监督与无监督学习，独有综合多项技术的混合算法，为你学习AI打下扎实基础。课程采用sklearn与keras框架（底层调用tensorflow），针对模型优化、数据分析与预处理展开详细讲解，帮你实现能力的全面提升。课程大项目综合数据增强、降维、分离...
from keras import layers from keras import modelsmodel = models.Sequential() #首层接收2维输入 model.add(layers.Conv2D(32, (3,3), activation=relu, input_shape=(28,28,1))) model.add(layers.MaxPooling2D(2,2)) model.add(layers.Conv2D(64, (3,3), activation=relu)) model.add(layers.MaxPooling2D((2,2))) model.add(layers.Conv2D(64, (3,3), activation=relu))model.add(layers.Flatten()) model.add(layers.Dense(...
线性回归的优点： 速度快：一旦训练完毕，就不再需要数据集线性回归时多有机器学习的基础，概念非长重要 线性回归的缺点 不是特别容易理解，要多敲代码，多思考 1.为什么需要线性回归试图找到自变量与因变量之间的关系线性回归就是求解m和b的过程 注意：自变量可以有多个 2.初步理解梯度下降梯度下降基本上是所有复杂极其学习框架的基石 初始数据集 面积房价8020095230104245112247125259135262 Excel显示散点图python拟合过程 ...
本文仅为学习记录摘要，详细见 https://maixpy.sipeed.com/zh/course/ai/basic/dnn_basic.html 模型=算法+权重 训练:训练数据集带入模型 验证:新数据集的带入模型（已经使用了模型，推理） 深度神经网络，“深度”意思多层网络结构，能够更好的表达图像数据，它包含了输入层，隐藏层和输出层 隐藏层:权重，偏置，非线性 计算误差:交叉熵损失error=-lg（输出） 误差的反向传播，参数优化（权重更新） 多次迭代 验证集，测试集 优化...
编程将成为像阅读一样的基本技能？看起来更高深的人工智能与深度学习呢？深度学习，这个近年来炙手可热的新鲜事物，相信各位并非第一次听说。深度学习是什么？与AI等关系如何？前景如何呢？01先从它的基友们说起吧，他们是人工智能和机器学习，他们的基友关系大概是这个样子第一次提出人工智能是在1956年在美国举行的达特茅斯会议上，一群异想天开的大神提出了人工智能，想让计算机像人一样思考。不过，当时大家都以为人工智能是个...
文章目录1 2D U-net 2 3D U-net 3 总结3.1 从数据格式角度 3.2 从模型角度1 2D U-net 以全连接卷积神经网络为基础设计的。 创新点：上采样，下采样，U型结构，短接通道（skip connection） Encoder：左半部分，由两个3x3的卷积层（ReLU）+2x2的max polling层（stride=2）反复组成，每经过一次下采样，通道数翻倍； Decoder：右半部分，由一个2x2的上采样卷积层（ReLU）+Concatenation（crop[3]