6.2.1 梯度上升法.pdf-陈仲铭 彭凌西-人民邮电出版社
文本预览下载声明
210第6章卷积神经网络进阶示例原理是神秘莫测的。近年来，（Erhanetal.2009）和（JasonYosinskietal.2015）等研究学者对卷积神经
显示全部
文档详情
相似文档
-
7.4.5 梯度消失与梯度爆炸.pdf-陈仲铭 彭凌西-人民邮电出版社
7.4循环神经网络的核心算法251#首先计算deltat，在第一次计算的时候t=3deltak=(self.V*dEdy)*(1-pow(s[t],2))#开始
-
6.2.2 可视化所有卷积层.pdf-陈仲铭 彭凌西-人民邮电出版社
6.2示例2：深度可视化网络213#decodetheresultinginputimageimg=deprocess_image(input_img_data[0])kept_filters
-
引用/参考.pdf-陈仲铭 彭凌西-人民邮电出版社
引用/参考325种变体。LSTM循环网络架构，通过输入门、遗忘门、输出门存储长期信息。GRU是LSTM的精简版本，不仅简化了记忆计算的整体流程，还能够缩短训
-
8.6.4 声学模型.pdf-陈仲铭 彭凌西-人民邮电出版社
8.6示例3：智能语音识别音箱311图8-42梅尔频率倒谱系数（MFCC）频谱图图8-43归一化梅尔频率倒谱系数（MFCC）频谱图8.6.4声学模型声学模型（A
-
4.5.2 LeNet5网络模型.pdf-陈仲铭 彭凌西-人民邮电出版社
4.5示例1：可视化手写字体网络特征119#图像数据归一化xtrain=xtrain.astype(float32)xtest=xtest.astype(f
-
4.2.3 矩阵快速卷积.pdf-陈仲铭 彭凌西-人民邮电出版社
4.2卷积操作107核的偏置。这相当于卷积核与一个个数据窗口相乘求和后（矩阵内积计算），加上偏置b得到输出结果。该过程如下：在上式中，z为第一个特征图的第一个输
-
4.1.1 卷积神经网络的应用.pdf-陈仲铭 彭凌西-人民邮电出版社
4.1卷积神经网络概述95图4-1可视化卷积核。Layer数值越大，表示网络的层数越深4.1.1卷积神经网络的应用卷积神经网络为图像而生，但应用不限于图像。在图像处理任务上，卷积神经网络可以用来识别位移、缩放及物体形态扭曲的二维图形。一方面
-
8.6.2 准备语音数据.pdf-陈仲铭 彭凌西-人民邮电出版社
302第8章循环神经网络进阶序列长期记忆为了解决上述问题，我们会使用一些特殊的技巧，例如在特征提取阶段进行对齐操作或者在输出阶段对音素进行对齐操作等。接下来我们先会学习与深度学习无关，但是对于语音识别至关重要的技术。8.6.2准备语音数据语
-
8.6.3 语音特征提取.pdf-陈仲铭 彭凌西-人民邮电出版社
306第8章循环神经网络进阶序列长期记忆-31,-11,-27,-29,-24,-12,-30,-50,-81,-72,-20,......-28,-10,-36,-25,23,4,-66,-
-
8.5.3 超越Seq2Seq框架.pdf-陈仲铭 彭凌西-人民邮电出版社
296第8章循环神经网络进阶序列长期记忆应该在有限的资源下完成更多的事情。（4）输入信息的时间序列越长，预测效果的准确率越低如图8-28所示，随着句子长度的增加
-
3.4.6 正则化方法.pdf-陈仲铭 彭凌西-人民邮电出版社
3.4深度学习的技巧853.4.6正则化方法正则化的最大作用是防止过度拟合，提高网络模型的泛化能力，具体实现方法是在损失函数中增加惩罚因子。在机器学习中，无论是
-
3.4.4 网络的初始化.pdf-陈仲铭 彭凌西-人民邮电出版社
3.4深度学习的技巧81和测试集中。也就是先对3个数据集中的全部数据进行统一预处理，然后分别进行训练、验证、测试，这样的顺序是错误的。以0均值为例，对输入数据的
-
3.4.3 数据预处理.pdf-陈仲铭 彭凌西-人民邮电出版社
76第3章深度学习基础及技巧接着对ImageDataGenerator对象使用flow方法，将该图像生成器实例化。如【代码清单3-14】所示，由于变换角度多样，并且组合方式非常多，因此需要设定
-
2.4.4 建立人工神经网络模型.pdf-陈仲铭 彭凌西-人民邮电出版社
46第2章人工神经网络logistic_fun.fit(X,y)#显示线性分类结果plot_decision_boundary(lambdax:clf.predict(x),X,y)plt.title(Lo
-
8.4.4 平衡语料数据集.pdf-陈仲铭 彭凌西-人民邮电出版社
8.4示例1：神奇的机器翻译287并输出模型的具体信息，如图8-23所示。图8-23编码-解码神经网络架构输出的信息【代码清单8-6】编译机器翻译网络#模型编译model=Mode