TensorFlow: 第6章 图片识别与CNN

实战Google深度学习框架 笔记-第6章 图片识别 与 CNN

介绍 CNN 在图片识别的应用 和 CNN 基本原理 以及 如何使用 TensorFlow 来实现 CNN .

Chatbot Research 13 - 理论篇: MMI 模型理论

本文提出了两种模型(其实就是改了下目标函数,而且训练过程中仍然使用likelihood,仅在测试的时候使用新的目标函数将有意义的响应的概率变大~~),MMI-antiLM和MMI-bidi,下面分别进行介绍。

Chatbot Research 12 - 理论篇: 评价指标介绍

对话系统之所以没有取得突破性的进展,很大程度是因为没有一个可以准确表示回答效果好坏的评价标准。对话系统中大都使用机器翻译、摘要生成领域提出来的评价指标,但是很明显对话系统的场景和需求与他们是存在差别的.

Tensorflow Sequence_loss

sequence_loss 是 nlp算法 中非常重要的一个函数. rnn,lstm,attention都要用到这个函数.看下面代码:

Glove 和 fastText

本节介绍两种更新一点的词向量。分别是2014年Stanford发表的Glove和2017年由Facebook发表的fastText.

TensorFlow:第8章 LSTM & Bi-RNN & Deep RNN

LSTM 可以学习到距离很远的信息,解决了RNN无法长期依赖的问题。

Bidirectional RNN 解决的是 当前时刻的输出不仅和之前的状态有关系,也和之后的状态相关。

Deep RNNs 是 为了增强模型的表达能力,可以在网络中设置多个循环层,将每层 RNN 的输出传给下一层处理。

TensorFlow - tf.contrib.learn 创建 Estimator

tf.contrib.learn 框架可以通过其高级别的 Estimator API 轻松构建和训练机器学习模型.

Estimator 提供您可以实例化的类以快速配置常见的模型类型,如 regressors 和 classifiers:

TensorFlow - tf.contrib.learn 构建输入函数

介绍如何在tf.contrib.learn中创建输入函数。了解如何构建input_fn去预处理和将数据输到模型中的概述。

实现利用input_fn将训练,评估和预测数据提供给神经网络回归器,用于预测房价中位数。

TensorFlow - tf.contrib.learn 快速入门

TensorFlow 的高级机器学习API(tf.contrib.learn)可以轻松配置,训练和评估各种机器学习模型。

使用tf.contrib.learn构建 神经网络 分类器并在Iris数据集上进行训练. 基于花萼/花瓣几何形状来预测花种。

RNN 的语言模型 TensorFlow 实现

上篇 PTB 数据集 batching 中我们介绍了如何对 PTB 数据集进行 连接、切割 成多个 batch,作为 NNLM 的输入。

本文将介绍如何采用 TensorFlow 实现 RNN-based NNLM。

PTB 数据的 batching 方法

PTB 数据集 batching 介绍, 如何对 PTB 数据集进行 连接、切割 成多个 batch。

重点了解 batch_sizenum_batchnum_step 这三个概念。

numpy.random.normal 函数

numpy.random.normal 函数,有三个参数(loc, scale, size),代表生成的高斯分布随机数的均值、方差以及输出的 size.

Convolutional Neural Networks (week1) - CNN
  • 理解如何搭建一个神经网络,包括最新的变体,例如残余网络。
  • 知道如何将卷积网络应用到视觉检测和识别任务。
  • 知道如何使用神经风格迁移生成艺术。
  • 能够在图像、视频以及其他2D或3D数据上应用这些算法。