机器学习实践(二)
来源:互联网 发布:网络语言 英文 编辑:程序博客网 时间:2024/06/06 02:13
为什么需要 TensorFlow 等库
数据流图
借助TensorFlow API用代码描述的数据流图是每个TensorFlow程序的核心。毫不意外,数据流图这种特殊类型的有向图正是用于定义计算结构的。在TensorFlow中,数据流图本质上是一组链接在一起的函数,每个函数都会将其输出传递给0个、1个或更多位于这个级联链上的其他函数。按照这种方式,用户可利用一些很小的、为人们所充分理解的数学函数构造数据的复杂变换。
卷积神经网络(CNN)
CNN可用于能够表示为张量(各个分量与其相关的分量有序排列在一个多维网格中)的任意类型的数据。当构建完一个具体的CNN模型后,为找到一个能够度量模型准确率的公正指标,需要使用大量不曾在训练集中出现的图像,并用它们创建一个独立的测试集。
从技术角度看,卷积神经网络是一种至少包含一个层(tf.nn.conv2d)的神经网络,该层的功能是计算其输入f与一组可配置的卷积核g的卷积,以生成该层的输出。可用一种比较简明的定义描述卷积:卷积的目的是将卷积核(滤波器)应用到某个张量的所有点上,并通过将卷积核在输入张量上滑动而生成经过滤波处理的张量。CNN通过对多种简单模式分层布局实现复杂模式的匹配。在CNN的语境中,这些模式被称为滤波器或卷积核,而训练的目标是调节这些卷积核的权值,直到它们能够与训练数据精确匹配。要训练这些滤波器,需要将多个不同的层级联,并利用梯度下降法及其变体调节网络权值。
简单的CNN架构通常包含卷积层(tf.nn.conv2d)、非线性变换层(tf.nn.relu)、池化层(tf.nn.max_pool)及全连接层(tf.nn.matmul)。
s
t
d
c
从技术角度看,卷积神经网络是一种至少包含一个层(tf.nn.conv2d)的神经网络,该层的功能是计算其输入f与一组可配置的卷积核g的卷积,以生成该层的输出。可用一种比较简明的定义描述卷积:卷积的目的是将卷积核(滤波器)应用到某个张量的所有点上,并通过将卷积核在输入张量上滑动而生成经过滤波处理的张量。CNN通过对多种简单模式分层布局实现复杂模式的匹配。在CNN的语境中,这些模式被称为滤波器或卷积核,而训练的目标是调节这些卷积核的权值,直到它们能够与训练数据精确匹配。要训练这些滤波器,需要将多个不同的层级联,并利用梯度下降法及其变体调节网络权值。
简单的CNN架构通常包含卷积层(tf.nn.conv2d)、非线性变换层(tf.nn.relu)、池化层(tf.nn.max_pool)及全连接层(tf.nn.matmul)。
s
t
d
c
阅读全文
0 0
- 机器学习实践(二)
- 【机器学习实践二】人口普查统计
- Kaggle Titanic 机器学习实践笔记(二)
- 机器学习实践tips
- 机器学习实践
- 机器学习及实践
- 机器学习实践(一)
- 机器学习实践指南
- 机器学习实践一
- 机器学习实践指南
- 机器学习实践指南
- 机器学习实践 pdf
- 机器学习实践指南
- [机器学习]机器学习实践笔记01
- 机器学习-K-means实践
- eHarmony的机器学习实践
- 机器学习实践笔记1
- 机器学习工程实践方法论
- 欢迎使用CSDN-markdown编辑器
- 【深度学习】经典网络结构-LeNet
- Android 单例模式封装 RxJava+Retrofit 网络请求
- openlayer4中获取地图坐标的方法
- CodeForces
- 机器学习实践(二)
- 2017 Google 开发者大会全记录,你想知道的都在这里了
- Hive内置函数大全
- js和jQuery加载DOM的几种方法对比
- 指向“包含多个函数指针的数组“的指针
- 官方 | 谷歌 AI 中国中心成立
- Neos.Flow UnitTestBootstrap
- 12月13号指针
- leetcode 482. License Key Formatting(Key码格式化)(C++和Java)