一、使用顺序：Conv=>BN=>ReLU=>dropout=>ConvBN本质上是解决传播过程中的梯度消失问题二、训练下图面试常考！训练时前向传导过程公式：理解：1. 这个可学习重构参数 γ、β，让我们的网络可以学习恢复出原始网络所要学习的特征分布。（因为如果没有 γ、β ，那相当于我这一层网络所学习到的特征分布被你搞坏了）2. 这个 scale 和 shift ，它们的

在搭建深度学习模型，构建损失函数经常用到交叉熵函数，同时用到SparseCategoricalCrossentropy。m = tf.keras.metrics.SparseCategoricalCrossentropy()m.update_state([1, 2],[[0.05, 0.9, 0.05], [0.1, 0.8, 0.1]])# y_true = one_hot(y_true) =

摘要翻译对机器翻译进行人工评价是广泛的，但价格昂贵。人工评价可能要数月才能完成，并且要用不能够被重复使用的人工劳动。在此提出了一种快速、便宜且语言独立的自动机器翻译评价方法，它和人工评价高度相关，并且每次运行的边际成本很低。当需要快速或频繁的评估时，我们把这种方法作为有相关技术的人工评价的自动化替代。一、本文针对什么问题开展研究，研究的意义如何；人工评价机器翻译质量要衡量翻译的许多方面，包括充分性

一. 原理介绍BLEU（Bilingual Evaluation Understudy），即双语评估替补。所谓替补就是代替人类来评估机器翻译的每一个输出结果。Bleu score 所做的，给定一个机器生成的翻译，自动计算一个分数，衡量机器翻译的好坏。取值范围是[0, 1],越接近1,表明翻译质量越好。机器翻译的一大难题是，一句法语句子，可以有多种英文翻译，这些翻译都是非常好的那怎么去评估一个机器翻

1. one-hot概念首先，我们有一个one-hot编码的概念。假设，我们中文，一共只有10个字。那么我们用0-9就可以表示完。比如，这十个字就是“我从哪里来，要到何处去”。其分别对应“0-9”，如下：我 从 哪 里 来 要 到 何 处 去0123456789那么，其实我们只用一个列表就能表示所有的对话如：我 从 哪 里 来 要 到 何 处 去 ——>>>[0 ...

1.shuffle(buffer_size)tensorflow中的数据集类Dataset有一个shuffle方法，用来打乱数据集中数据顺序，训练时非常常用。其中shuffle方法有一个参数buffer_size，文档的解释如下：dataset.shuffle(buffer_size, seed=None, reshuffle_each_iteration=None)Randomly shuffl

一. 原理介绍BLEU（Bilingual Evaluation Understudy），即双语评估替补。所谓替补就是代替人类来评估机器翻译的每一个输出结果。Bleu score 所做的，给定一个机器生成的翻译，自动计算一个分数，衡量机器翻译的好坏。取值范围是[0, 1],越接近1,表明翻译质量越好。机器翻译的一大难题是，一句法语句子，可以有多种英文翻译，这些翻译都是非常好的那怎么去评估一个机器翻

一、箱形图box plot1）箱型图概念箱形图（Box-plot）又称为盒须图、盒式图或箱线图，是一种用作显示一组数据分散情况资料的统计图。因形状如箱子而得名。箱形图于1977年由美国著名统计学家约翰·图基（John Tukey）发明。它能显示出一组数据的最大值、最小值、中位数、及上下四分位数。2）箱形图包含内容"盒式图"或叫"盒须图""箱形图"boxplot（也称箱须

1 学习资料增强学习课程 David Silver （有视频和ppt）:http://www0.cs.ucl.ac.uk/staff/D.Silver/web/Teaching.html最好的增强学习教材：Reinforcement Learning: An Introductionhttps://webdocs.cs.ualberta.ca/~sutton/book/

Python有一个很奇妙的特性，称为 文档字符串 ，它通常被简称为 docstrings 。DocStrings是一个重要的工具，由于它帮助你的程序文档更加简单易懂，你应该尽量使用它。你甚至可以在程序运行的时候，从函数恢复文档字符串！      使用docStrings#!/usr/bin/python# Filename: func_doc.pydef printMax(x