6 花梦飞

尚未进行身份认证

暂无相关简介

等级
TA的排名 8w+

Python报错:module ‘scipy.misc’ has no attribute ‘imresize’

解决办法:pipinstall pillow若仍然报错,可能是因为scipy的版本问题(我之前的scipy版本是1.3.0):可以将scipy版本降为1.2.1,可以解决这个问题。

2019-06-09 13:05:34

Windows系统查看CUDA版本号

1.打开控制面板在按住Win键的情况下,按Q键,呼唤出搜索框。在搜索框中输入control panel,如下图所示:2.进入NVIDIA控制面板在上图的搜索框中,已经显示出NVIDIA控制面板,如果读者有显示,则可以忽略第一步,直接点击进入NVIDIA控制面板。下面2张图演示如何在控制面板中找出NVIDIA控制面板。首先选择查看方式为小图标,如下图红色方框标注处所示:...

2019-05-30 13:03:23

Theano简单入门(三)

一、定义神经网络的层我们将神经网络的层封装为类,对于神经网络,我们需要输入数据,输入大小,输出大小还有激活函数的使用。import numpy as npimport theano.tensor as Timport theanoimport matplotlib.pyplot as pltclass Layer(object): def __init__(self,inpu...

2019-01-07 20:53:21

Theano简单入门(二)

一、Theano的基本用法定义函数的方式:步骤 0 宣告使用theano import theano步骤 1 定义输入 x=theano.tensor.scalar() 这里相当于tensorflow的placeholder步骤 2 定义输出 y=2*x步骤3 定义fuction f = theano.function([...

2019-01-07 20:34:34

Theano简单入门(一):Theano与Lasagne的安装

一、介绍      Theano是一个Python库,专门用于定义、优化、求值数学表达式,效率高,适用于多维数组。特别适合做机器学习。一般来说,使用时需要安装python和numpy。     首先回顾一下机器学习的东西,定义一个模型(函数)f(x;w) x为输入,w为模型参数,然后定义一个损失函数c(f),通过数据驱动在一堆模型函数中选择最优的函数就是训练training的过程,在机器学...

2019-01-07 20:12:20

Improved Techniques for Training GANs翻译与理解

参考博客:https://blog.csdn.net/zijin0802034/article/details/58643889https://blog.csdn.net/shenxiaolu1984/article/details/75736407paper:Improved Techniques for Training GANscode:Theano实现摘要我们提出了一些...

2019-01-01 21:16:53

GAN在半监督学习上的应用

参考论文:https://arxiv.org/pdf/1606.01583.pdfhttp://arxiv.org/abs/1606.03498摘要近几年,深度学习声名鹊起,一个又一个AI领域被深度学习攻破,然而现在大部分深度学习所采用的算法都是有监督学习的方法,需要大量的标注数据,这也就需要耗费大量的人力物力。因此如何充分利用大量的无标签数据资源,必将成为未来深度学习领域的研究焦点。...

2018-12-30 16:08:41

理解:用变分推断统一理解深度生成模型(VAE、GAN、AAE、ALI(BiGAN))

参考文章:https://kexue.fm/archives/5716https://zhuanlan.zhihu.com/p/40282714本篇博客主要是参照上述两个博文,另外加入了一些自己的理解,也为了和自己学习或者常见的知识做一个对照,因为在学习过程中总有一个问题困扰,就是符号,前后的符号对照不好,还得想半天。所以有些符合可能跟原文章对不上,但跟我之前的博客可以对上。特意将常用...

2018-12-25 21:27:02

GAN原始论文翻译及相关推导

参考博客:https://blog.csdn.net/stalbo/article/details/792833990、摘要GAN提出了一个通过对抗过程估计生成模型的新框架,在新框架中同时训练两个模型:一个用来捕获数据分布的生成模型G,和一个用来估计样本来自训练数据而不是G的概率的判别模型D,G的训练过程是最大化D产生错误的概率。这个框架相当于一个极小极大化的双方博弈。在任意函数G 和D ...

2018-12-24 17:16:53

生成模型与判别模型的区别与联系

1、概述监督学习的任务就是学习一个模型,应用这一模型,对给定的输入预测相应的输出。这个模型的一般形式为决策函数:或者条件概率分布:监督学习方法又可以分为生成方法(generative approach)和判别方法(discriminative approach)。所学到的模型分别称为生成模型(generative  model)和判别模型(discriminative mode...

2018-12-19 12:31:46

机器学习与信息论之熵

在机器学习中,我们经常提到熵的概念。例如我们经常使用交叉熵衡量目标(target)与预测值(real)之间的差距,使用KL散度(也称作相对熵)衡量两个概率分布之间的距离。交叉熵和相对熵这些概念其实都来自于信息论,并且自我认为机器学习本身也是对样本信息的学习,另外最近在研究GAN模型和VAE模型(也就是我们常说的生成模型)时,经常会使用到,所以有必要将其单独拿出来作为我学习的一个记录。要了解交叉...

2018-12-16 16:19:38

解决Ubuntu的问题:the system is running in low-graphics mode

今天开Ubuntu的虚拟机出现了问题:the system is running in low-graphics mode参照网络上的解决方案:1.Ctrl+ALT+F1 进入控制台2.输入用户名和密码进入系统3.输入以下命令:cd /etc/X11 sudo cp xorg.conf.failsafe xorg.conf reboot重启虚拟机,问题就解决了。...

2018-09-20 14:58:56

《乔布斯传》读书感悟

乔布斯是一个纯粹的人。纯粹到认为世界只有黑与白,人只有天才和笨蛋。纯粹到能在开会的时候像一个孩子一样哭泣。乔布斯是一个有影响力的人。显然书中有说到现实扭曲力场,他能够让人和事依照他的好恶去改变。不得不说乔布斯是一个艺术天才,也正因他才让用户体验能够真正超过产品本身的功能,也增加了产品的价值。乔布斯是一个科技人,但他兼容了心中的禅意和对艺术的追求。书中金句:好的艺术家只是照抄,而...

2018-09-15 11:09:46

VAE/GAN学习笔记:Autoencoding beyond pixels using a learned similarity metric

paper:VAE/GAN0、摘要我们提供了一个自动编码器,它利用学习的表示来更好地度量数据空间地相似性。通过将变分自编码器与生成对抗网络相结合,我们可以利用GAN鉴别器中的学习特征表示作为VAE重建目标的基础。因此,我们将元素方面的错误替换为特征方面的错误,以便更好地捕获数据分布,同时提供对例如翻译的不变性对。我们将我们的方法应用到人脸图像上,并证明它在视觉逼真度方面比VAEs表现得更好...

2018-07-30 10:15:04

《小王子》随笔

当我们坐下,想要试图去理解小王子的时候,我们可能不再是那个幼稚的小孩了。因为小王子只不过是在守护着自己的一方乐土,守护心中那最后圣洁的心田,不让欲望将其吞噬,也珍视每一点美好。我们渴望权力,喜欢掌控。爱慕虚荣,喜欢被关注。追求物质,喜欢钱财,却不知还能用作何处。愧疚于自己的愧疚,却又不会为之改变。墨守成规,容不下另外的人。渴望有大作为,可自己又不作为。我说的,未必是作者想说的。但我的见识也只...

2018-07-29 10:47:38

高速公路网络Highway Network翻译

高速公路网络HighwayNetwork翻译摘要有大量的理论和经验证据表明,神经网络的深度是其成功的关键因素。然而,随着深度的增加,网络训练变得更加困难,深度网络的训练仍然是一个悬而未决的问题。 在这个扩展的摘要中,我们介绍了一种旨在缓解非常深度网络的基于梯度的训练的新架构。 我们将具有此架构的网络称为高速公路网络,因为它们允许信息高速公路上的信息流在不同层之间畅通。 该体系结构的特点是使用门控单...

2018-04-10 15:53:41

《人类简史》读后感

最近晚上读了一下《人类简史》这本书用了一周的时间读完了,虽然后面的部分有点看不懂,怎么说呢,写这本书的人,我很敬佩。能够将人类发展恢弘的记录下来本身就是一个很伟大的事情,其实这本书所说的也并非全是历史,因为他并不像普通的历史书一样记录重大的历史事件,毕竟是一本人类的发展阶段,所能够记录的事件是有限的。他写的这本书厉害的地方不知上面说的,还有他在写历史的时候结合了很多社会学、生物学、物理学、经济学、...

2018-03-25 11:41:08

理解机器学习中的偏差与方差

一、过拟合现象在说明机器学习中的偏差与方差之前,我们先来看一下什么是模型对数据的欠拟合与过拟合。欠拟合就是模型没有很好地捕捉到数据特征,不能够很好地拟合数据过拟合就是模型把数据学习的太彻底,以至于把噪声数据的特征也学习到了,这样就会导致在后期测试的时候不能够很好地识别数据,即不能正确的分类,模型泛化能力太差。二、偏差与方差然后我们看一下什么是偏差什么是方差。偏差:描述的

2017-12-08 17:17:43

19什么是强化学习(Reinforcement Learning)

所谓强化学习就是智能系统从环境到行为映射的学习,以使奖励信号(强化信号)函数值最大,强化学习不同于连接主义学习中的监督学习,主要表现在虚拟教师信号上,强化学习中由环境提供的强化信号是对产生动作的好坏作一种评价(通常为标量信号),而不是告诉强化学习系统RLS(reinforcement learning system)如何去产生正确的动作。由于外部环境提供的信息很少,RLS必须靠自身的经历进行学习。

2017-11-25 08:48:52

18L1和L2正规化(正则化)

为了说明这个标准化的问题,我们以线性拟合数据举例,当然其他机器学习算法都可以类似的推广。在用线性一次方程拟合数据的时候,我们的训练误差可能很低,但是泛化能力比较好。但对于高次方程去拟合数据时,训练误差可能很小,但是泛化误差可能很低。在高次方程中起重要作用的就是那些高次项和其系数,所以我们想要让这些能力强的项变得不那么牛,这时候我们加入了惩罚机制,对其参数进行惩罚,就是我们的正则化项啦。当然

2017-11-25 08:12:51

查看更多

勋章 我的勋章
  • 持之以恒
    持之以恒
    授予每个自然月内发布4篇或4篇以上原创或翻译IT博文的用户。不积跬步无以至千里,不积小流无以成江海,程序人生的精彩需要坚持不懈地积累!
  • 勤写标兵Lv1
    勤写标兵Lv1
    授予每个自然周发布1篇到3篇原创IT博文的用户。本勋章将于次周周三上午根据用户上周的博文发布情况由系统自动颁发。