卷积神经网络最具特色的地方在于引入了卷积层，这使得数据量降低，进而在计算能力核内存有限的情况下能够实现深层的网络。卷积核的操作是受生物启发的，它具有局部感知功能。卷积核的Size代表感受野的大小，卷积核的步长度代表提取的精度：例如：Size为3的卷积核，如果step为1，那么相邻步感受野之间就会有重复区域，重复区域是两列的数据；如果step为2，那么相邻感受野的重复区域会更少；；如果step为3，

过拟合不只是出现在卷积神经网络中，但凡是机器学习，都会存在此类问题。他是我们不想看到的一种现象，“拟合”是说，模型能够对训练集进行良好的预测，但是对预测集/测试集预测的效果比较差，这种现象也被称之为“泛化能力差”。引起过拟合的原因有很多种，最重要的一种就是样本不足，或者训练集样本不具备代表性。为缓和过拟合问题，有以下几种方法：由于过拟合问题本质上是数据规模无法满足网络模型训练的要求。因此，数据集扩

在机器学习中，epoch是指将所有训练样本进入一次模型，我们知道，机器学习的过程就是不断地调整权值和阈值的过程，可以只输入一个样本就进行一次调整，也可以输进去一批样本进行一次调整。以MNSIT数据集为例，可以通过如下的方式编程实现：batch_size = 200 #批处理样本数x_train_num = 10000 #训练集样本数量batch_steps = int(mnist.train.nu

文章目录matplotlib绘图库Matplotlib Pyplot库函数：plotMatplotlib Pyplot库函数：scatterMatplotlib Pyplot库函数：stem线条及颜色的参数配置matplotlib绘图库Matplotlib 是 Python 的绘图库，它能让使用者很轻松地将数据图形化，并且提供多样化的输出格式。Matplotlib 可以用来绘制各种静态，动态，交互

scipy库之卷积卷积在信号处理里面就像加减乘除一样，是最基础的运算，其实卷积和相关差不多，都是滑动、对应点相乘、求和。scipy这个库有现成的函数可以供我们使用：import numpy as npimport scipy.signalx = np.array([1,2,3,4])h = np.array([4,5,6])print(scipy.signal.convolve(x, h))#一维

今天在写一个随机生成稀疏向量的程序的时候，看到matlab中用randperm()函数，例如：>> randperm(4)ans =1432randprem(4)就是生成1~4之间的不重复的随机数，当然我们可以理解为将1~4之间的4个整数的顺序随机打乱。那么我就在想python中是否有类似的函数呢？还真的找到替代方案了，那就是标准库random中的一个函数:random.samplei

最近写论文需要用到GB/T 7714-2015的参考文献格式，在网上找了好久，发现还需要积分、C币才能下载，挂着公共的资源赚积分的行为真可耻。下面给出我的链接，大家可以免费下载。链接: https://pan.baidu.com/s/11I9PsEF_x5p44Yd3VeTQsQ 提取码: 7uca...

卷积神经网络中的多通道数据卷积结果的一些思考输入层有多少个通道，滤波器就要有多少个通道，但是滤波器的数量是任意的，滤波器的数量决定了卷积后 featuremap 的通道数。例如输入的数据是RGB三通道的数据，那么卷积核此时也是一个3D的张量，卷积之后的结果当然也是张量，但卷积过程的最后一步要包括生成 feature，很简单，将 Result 各个通道对应坐标的值相加就生成了 feature，相当于

在学习机器学习的时候常常看到“超参数，hyper parameter”，它到底是什么呢？在机器学习的过程中，超参= 在开始机器学习之前，就人为设置好的参数。例如卷积神经网络中的卷积核的大小，深度神经网络中隐层的数量。模型参数=通过训练得到的参数数据。例如卷积核的权重和阈值。通常情况下，需要对超参数进行优化，给学习机选择一组最优超参数，以提高学习的性能和效果。超参数也是一种参数，它具有参数的特性，比

SVD分解是矩阵论中的一个知识点，特征值分解可以得到特征值与特征向量，特征值表示的是这个特征到底有多重要，而特征向量表示这个特征是什么，可以将每一个特征向量理解为一个线性的子空间，我们可以利用这些线性的子空间干很多的事情。SVD分解的公式如下，其中U和V都为正交矩阵，中间的为特征值构成的对角矩阵，相对于正交对角分解，SVD分解的适应性更强，应为A不必是方阵，下面是SVD分解的公式。用SVD做图像压