我们都知道，可以使用高德地图api实现经纬度与地址的转换。那么，当我们有很多个地址与经纬度，需要批量转换的时候，应该怎么办呢？在这里，选用高德Web服务的API，其中的地址/逆地址编码，可以实现经纬度与地址的转换。高德API地址：地理/逆地理编码：http://lbs.amap.com/api/webservice/guide/api/georegeo坐标转换：http://lbs...

一.写在前面在GAN（Generative Adversarial Nets， 直译为生成式对抗网络）中，生成器G利用随机噪声Z，生成数据。那么，在DCGAN中，这部分是如何实现呢？这里就利用到了Transposed Convolution（直译为转置卷积），也称为Fractional Strided Convolution。那么，接下来，从初学者的角度，用最简单的方式介绍什么是转置卷积，以及..

cur：原链表的头节点，在反转结束时，cur指向pre的下一个节点pre：原链表的尾节点，也就是反转后链表的头节点。最终返回的是pre。while cur：表示反转循环的条件，这里是判断cur是否为空。也可以根据题目的条件改成其他循环条件反转链表的尾节点，这里的尾节点是None，后面会提到显式指定。想清楚这几个关键点都是如何定义的，基本题目都可以迎刃而解啦。

为什么要引入非线性激活函数如果不使用非线性激活函数，激活函数本质上相当于f(x)=ax+b。在这种情况下，神经网络每一层的输出都是上层输入的线性函数。此时，不管神经网络有多少层，输出与输入都是线性关系，与没有隐层是一样的。也就相当于最原始的感知机，连最基本的异或问题都无法解决，更别说其他更复杂的非线性问题。 常见的激活函数sigmoid函数sigmoid函数的数学形式为，导数为...

求解神经网络，也就是求解 y =f(wx + b) 中的w 和 b。那么如何找到正确的权重值 w 和 b 呢？随机搜索。需要很多权重值，随机采样，然后把它们输入损失函数，再看它们效果如何。（stupid）梯度下降算法。首先，初始化 w 和 b， 然后，使用梯度下降算法，对 w 和 b 进行更新。下面，就对梯度下降算法，及其优化变体进行解释。 梯度下降算法形象化解释：...

写在前面：用深度学习的方法调了一波参数，改了一波网络结构，回过头，最想做的事情，当然是好好补一补计算机视觉的基础，弥补一下对传统计算机视觉理解的薄弱部分。所以，接下来，开始补习计算机视觉的基础。供自己以后复习，看客仅供参考。图像底层特征提取是计算机视觉的基本步骤。那么，接下来，就从what，why，how几个方面，来一一解答。一，什么是图像底层特征？图像底层特征指的是：轮廓和边缘。...

本文主要介绍tensorflow中mmoe的实现方式。一.mmoe概念先简单回忆下mmoe的概念：https://blog.csdn.net/u013250416/article/details/118642297二.已有keras版本实现思路分析github中已经有keras版本mmoe的实现（https://github.com/drawbridge/keras-mmoe/blob/maste

现象如何确定是否出现梯度爆炸？在训练过程中出现梯度爆炸会伴随一些细微的信号，如：（1）模型无法从训练数据中获得更新；（2）模型不稳定，导致更新过程中的损失出现显著变化；（3）训练过程中，模型的损失变为Nan。 梯度消失与梯度爆炸原因首先，来看神经网络更新梯度的原理，即反向传播算法。详细推导参考：反向传播算法通过反向传播算法更新梯度的公式可以看到，影响梯度...

一.写在前面本篇对DCGAN的tensorflow实现版本进行代码分析。Github:https://github.com/carpedm20/DCGAN-tensorflow该代码中实现了针对有标签数据集和无标签数据集两类网络，两类网络的结构不一样。下面分别进行介绍。二.针对有标签数据集的网络为了便于解释，用具体例子替换变量。有标签数据集以mnist数据集为例。batch_s...

RNN(Recurrent Neural Network，循环神经网络) 每个RNN都有一个循环核心单元。它把x作为输入，将其传入RNN。RNN有一个内部隐藏态(internal hidden state)。这个隐藏态会在RNN每次读取新的输入时更新，然后隐藏态会将结果返回至模型。ht = fw (ht-1, xt)其中，xt为t时刻的输入，ht为t时刻的内部隐藏态。R...