目录前言原理阐述文章介绍模型结构组件作用总论鉴别器D生成器G分类器C特征提取器F警告前言本文属于我迁移学习专栏里的一篇，该专栏用于记录本人研究生阶段相关迁移学习论文的原理阐述以及复现工作。本专栏的文章主要内容为解释原理，论文具体的翻译及复现代码在文章的github中。原理阐述文章介绍这篇文章于2018年发表在CVPR，作者是Swami Sankaranarayanan，Yogesh Balaji，

说先看一下这个图，它大体介绍了CNN的自然语言处理流程：1.首先每个单词对应一行，d=5表示分了5个维度，一般是分128维，300维之类的，这里为了方便，用d=5。这样的话矩阵就是7*52.然后第一步进行卷积的操作，分别使用了四行的卷积核两个，三行的卷积核两个，两行的卷积核两个。然后分别对7*5的矩阵进行卷积，对于7*5的话，4*5放上去可以向下移动4次，所以产生了4*1矩阵(fe...

import numpy as npimport matplotlib.pyplot as pltdef sigmoid(x):return 1/(1+np.exp(-x))def doit(num,w1,b1,w2,b2):#输入迭代次数number=numtrain_number=0totalE=[]totalN=[]while(number>0):number-=1train_numb

当一坨几MB或者几十MB的数据摆在你面前，你第一件要做的事情就是思考用什么方法来分析这些数据，其实所谓数据挖掘讲求的就是如何挖掘数据。自从入坑kaggle，发现自己在面对数据的时候有时候还是会束手无策，略显无力，所以打算长期记录，将各种数据分析的方式汇集到这篇文章里。普通方法：一、加载数据#读取csvdata=pd.read_csv("...")#读取excel文件...

目录什么是端到端学习（end-to-end learning）概念举例是否要使用到端到端学习什么是端到端学习（end-to-end learning）概念简单来说，就是一项有很多中间步骤的任务摆在你面前，它需要对输入x做很多步的中间处理，然后得到目标y。而端到端学习则只学习x对于y的映射，即学习输入x，对应标签输出y，而不考虑中间的过程处理，仅仅通过学习映射的方式来将此任务解决。这样的好处就是省去

唉，怎么说呢，本来这么简单的问题感觉应该上网随便找篇博客就解决了，就是一个转json的事情，结果出现了好多奇奇怪怪的错误……，网上那些博客写的都不想洗，大同小异，后来终于找到了一条方便的道路来实现这个简单的功能，用Gson！何为Gson？GSON是Google开发的JavaAPI,用于转换Java对象和Json对象。而JSON (官网) 是一种文本形式的数据交换格式，它比XML更轻量、...

首先查看docker位置：docker info停止docker服务systemctl stop docker查看容量大的位置，然后在上面创建转移目录df -hmkdir -p /home/docker这里以/home/docker为例，我待会就要把/var/lib/docker的docker转移到这里。迁移/var/lib/docker目录下的文件到目标位置sudo rsync -avz /va

这里写目录标题前言具体实现加载数据相邻采样梯度修剪one-hot编码参数定义模型后记前言本文用于记录循环神经网络的简单实现及个人笔记，防止遗忘，内容来自https://tangshusen.me/Dive-into-DL-PyTorch/#/chapter06_RNN/6.5_rnn-pytorch具体实现加载数据加载数据，同时将字符转化为索引def load_data_jay_lyrics():

目录迁移学习(Transfer learning)什么是迁移学习怎样进行迁移学习迁移学习何时有意义其他多任务学习迁移学习(Transfer learning)什么是迁移学习深度学习中，最强大的理念之一就是，有的时候，神经网络可以从一个任务中习得知识，并将这些知识应用到另一个独立的任务中。例如你已经训练好一个神经网络能够识别像猫这样的对象，然后使用那些知识，或者部分习得的知识去帮助你更好地阅读x射线

目录引子怎样对学习率进行控制引子倘若不随着训练的进行来对学习率进行适当的控制，则会出现上图中蓝色曲线的情况，即最终参数值会以较大的幅度在收敛值附近摆动；倘若对其进行控制，则会出现上图中绿色曲线的情况，即最终参数值会以原来越小的幅度在收敛值附近摆动。很显然，你更希望出现绿色的情况。怎样对学习率进行控制很明显，学习率需要不断的衰减，那么常用的衰减策略是什么呢？吴恩达老师一共给出了三种计算公式，下面是第