"如果一個算法在MNIST上不work，那么它就根本沒法用；而如果它在MNIST上work，它在其他數據上也可能不work"。 ...

上一篇文章我們介紹了通過神經網絡來處理一個非線性回歸的問題，這次我們將采用神經網絡來處理一個多元分類的問題。 這次我們解決這樣一個問題：輸入一個人的身高和體重的數據，程序判斷出這個人的身材狀況，一共三個類別：偏瘦、正常、偏胖。 處理流程如下： 1、收集數據 2、構建神經網絡 3、訓練 ...

從這篇文章開始，終於要干點正兒八經的工作了，前面都是准備工作。這次我們要解決機器學習的經典問題，MNIST手寫數字識別。 首先介紹一下數據集。請首先解壓：TF_Net\Asset\mnist_png.tar.gz文件 文件夾內包括兩個文件夾：training和validation ...

上一篇文章我們介紹的線性模型的求解，但有很多模型是非線性的，比如： 這里表示有兩個輸入，一個輸出。 現在我們已經不能采用y=ax+b的形式去定義一個函數了，我們只能知道輸入變量的數量，但不知道某個變量存在幾次方的分量，所以我們采用一個神經網絡去定義一個函數。 我們假設 ...

mnist的卷積神經網絡例子和上一篇博文中的神經網絡例子大部分是相同的。但是CNN層數要多一些，網絡模型需要自己來構建。 程序比較復雜，我就分成幾個部分來敘述。 首先，下載並加載數據： 定義四個函數，分別用於初始化權值W，初始化偏置項b, 構建卷積層和構建池化層 ...

我對機器學習的某些方面還是欠缺了解，總感覺整理不下去，初步定下以下話題吧。 卷積神經網絡DN ...

最近幾天陸續補充了一些“線性回歸”部分內容，這節繼續機器學習基礎部分，這節主要對CNN的基礎進行整理，僅限於基礎原理的了解，更復雜的內容和實踐放在以后再進行總結。 卷積神經網絡的基本原理 　　前面對全連接神經網絡和深度學習進行了簡要的介紹，這一節主要對卷積神經網絡的基本原理進行學習和總結 ...

1.標准卷積神經網絡 標准的卷積神經網絡由輸入層、卷積層（convolutional layer）、下采樣層（downsampling layer）、全連接層（fully—connected layer）和輸出層構成。 卷積層也稱為檢測層 下采樣層也稱為池化層（pooling ...