先放上参考： Understand the Difference Between Return Sequences and Return States for LSTMs in Keras本文是基于上面博客做的实践，以验证LSTM的两个参数的使用。先回顾一下LSTM这里默认大家有RNN和LSTM的基础，不了解的可以参考这篇文章：Understanding LSTM Networks上图是...

在python中，有两个模块可以产生随机数：1. python自带random包： 提供一些基本的随机数产生函数，可满足基本需要2. numpy.random：提供一些产生随机数的高级函数，满足高级需求random 介绍函数功能备注random.random()生成一个0-1之间的随机浮点数random.uniform(a,...

在Keras中，官方内置了几种评价函数。对于二分类问题，评价指标可以用 binary_accuracy，就是最直观上讲的准确率。当面对多分类或者多标签的任务时，评价度量可能会用到这两个 categorical_accuracy和 sparse_categorical_accuracybinary_accuracy自然不必多讲，这篇文章讲一下categorical_accuracy和 sp...

本文所讲内容的前提是一个二分类的任务，多分类任务可以经过简单扩展用转化成二分类。评估一个二分类的分类器的性能指标有：准确率、查准率（precision）、查全率（recall）、F1值以及ROC和AUC等。前面几个比较直观，而ROC和AUC相对抽象一点，本文将重点放在后者。因为本文曾一度没搞清ROC，所以这次彻底搞明白。从混淆矩阵说起首先一个用分类器预测完后，我们会得到一个二分类的混淆...

先上结论公式上看生成模型： 学习时先得到 P(x,y)P(x,y)P(x,y)，继而得到 P(y|x)P(y|x)P(y|x)。预测时应用最大后验概率法（MAP）得到预测类别 yyy。判别模型： 直接学习得到P(y|x)P(y|x)P(y|x)，利用MAP得到 yyy。或者直接学得一个映射函数 y=f(x)y=f(x)y = f(x)。直观上看生成模型： 关注数据是如何生成的 ...

如前文《Sublime Text3 的插件管理工具(Package Control)的安装及使用方法》所说，Sublime有强大的插件扩展功能，本文介绍如何在用Sublime写Markdown文档时，做到效果预览。1. 插件介绍先介绍两个有关Markdown的常用插件：MarkdownEditing 和 MarkdownPreviewMarkdownEditing顾名思义，Ma...

本文所讲内容的前提是一个二分类的任务，多分类任务可以经过简单扩展用转化成二分类。评估一个二分类的分类器的性能指标有：准确率、查准率（precision）、查全率（recall）、F1值以及ROC和AUC等。前面几个比较直观，而ROC和AUC相对抽象一点，本文将重点放在后者。因为本文曾一度没搞清ROC，所以这次彻底搞明白。从混淆矩阵说起首先一个用分类器预测完后，我们会得到一个二分类的混淆...