Jinliang Blog

生活有度 人生添寿

seq2seq模型与注意力机制

seq2seq模型与注意力机制解析

1. seq2seq模型 seq2seq模型，从表面意思了解，就是序列到序列的模型，即输入为序列，输出也为序列。 我们常见的机器翻译与图像描述就是显著的代表，我们首先简单了解一下这两个任务。 机器翻译 机器翻译任务中，我们将网络分为编码网络与解码网络。 编码网络是一个RNN结构，可以使GRU，或者是LSTM，它接收输入序列，然后输出一个向量代表输入序...

Posted by Jinliang on July 19, 2019

深度学习-词嵌入

深度学习-词嵌入解析

1. 什么是词嵌入 在序列模型一章中，我们使用one-hot向量来表示词，这种表示方法的缺点就是它把每个词孤立起来，使得算法对相关词的泛化性不强。 为此，我们需要换一种表达方式，不使用one-hot表示，而是用特征化的表示来表示每一个词，我们学习词典中每个词的特征或者数值。 类似于上图这种方式，我们可以找到300个不同的特征，每个词汇在这300个特征是都使用不同的数字表示，这个每个...

Posted by Jinliang on July 17, 2019

深度学习-序列模型

深度学习-序列模型解析

1. 数学建模 我们通过一个例子学习序列模型，这个例子就是命名实体识别，需要能够自动识别语句中人名位置的序列模型。 Harry Potter and Herminoe Granger invented a new spell. 例如上面这个输入，我们的输出应该为： 1 1 0 1 1 0 0 0 0 其中使用$x^{<1>}，x^{<2>}，x^{<3...

Posted by Jinliang on July 9, 2019

目标检测算法浅析

目标检测算法浅析

1. 目标定位 我们首先研究一个简单的定位分类问题，通常只有一个较大的对象位于图片中间位置，我们对他进行定位和识别。 首先描述我们的分类问题，分类结果为行人、汽车、摩托车、背景。背景意味着不含前三类。 然后加上定位，我们可以输出红色方框的中心点、高度、宽度。 根据上述分类与定位逻辑，采用监督学习的方法，标签定义为： 如上图所示，p_c表示是否有行人、汽车、摩托车，当p_c=0时...

Posted by Jinliang on July 6, 2019

卷积神经网络

卷积神经网络解析

1. 边缘检测 当我们获取到一张图片时，我们想要知道这张图片中有什么物体，为了实现这个目的，我们做的第一件事就是边缘检测，可能需要检测垂直边缘，也可能同时需要水平边缘，但是边缘检测是怎样做的？原理是怎样的呢？ 如上图所示，是一张灰度图像，是$6\times 6\times 1$的矩阵，因为是灰度的，所以没有RGB通道，不是$6\times 6\times 3$的。 为了检测上述图像...

Posted by Jinliang on July 5, 2019

仔仔大人的实习准备

小猪猪莫要猖狂

在小练习之前的了解过程中，请勿深入某个技术细节，切记！切记！！切记！！！ 语言 java 官方文档地址（不需要看） 开发环境 Android Studio 略 基础组件 官方文档中针对组件有的描述很详细，有的大概介绍主要内容，此处尽量选取中文版、大概介绍的官方文档。 Activity 官方文档（中文，概述、仅有一页，如果感觉太多，仅看一级标题内容） 一级标题如图所示： ...

Posted by Jinliang on July 4, 2019

强化学习-基于近似的在策略预测

强化学习-基于近似的在策略预测

在本次学习中，我们主要进行预测，也就是根据策略估计值函数，关于控制（提升策略）将放在后一章。 我们的题目是基于近似的预测，什么是近似呢，就是我们不在把状态值函数表示成一个表格，而是一个向量$\textbf w$，$\hat v(s,w) \approx v_\pi(s)$。$\hat v(s,w)$是估计值，它是状态$s$和参数$w$的函数。如果这个函数是一个线性函数，那么w就是状态特征向...

Posted by Jinliang on July 1, 2019

深度学习策略与经验

深度学习策略与经验

在这章中，我们会学习到一些策略、分析深度学习问题的方法、部署深度学习产品的经验等等。 1. 正交化 为什么标题叫做正交化，正交意味着互成90度，可以理解为互不影响，能够单独调节一个装置，改变某个属性，在此同时对其他属性没有影响。 当我们想要调节我们的深度学习系统，想让他变得更好时，往往有很多方向，但是如果方向错误的话，就会浪费大量的时间，因此，我们要学会的第一件事，就是如何找到系统的问...

Posted by Jinliang on June 25, 2019

n步自举

n步自举介绍

在之前的学习中，我们学习了MC方法和TD方法，其中TD方法严格说属于TD(0)方法。 如果我们从采样回报与估计回报的角度来看，MC方法与TD(0)方法分别处于两个极端。MC方法采样全部的回报，不使用自身值函数的预测；TD(0)方法只进行单步采样，然后使用值函数预测之后的回报。最好的方法就是这两种的结合，TD(0)属于单步自举，自举最好发生在一段时间之后，$n$-步的方法就是我们在多步之后实...

Posted by Jinliang on June 24, 2019

聚类算法(原型、密度、层次聚类)

聚类算法(原型、密度、层次聚类)介绍

1. 聚类任务 无监督学习：训练样本的标记信息是未知的，目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，为进一步的数据分析提供基础。 无监督学习中，研究最多、应用最广的是聚类 常见的无监督任务有：聚类、密度估计、异常分析 聚类试图将数据集中的样本划分为若干个通常不想交的子集，每个子集称为一个”簇” 注意：聚类任务仅能自动形成簇结构，簇所对应的概念语义需由使用者来...

Posted by Jinliang on June 22, 2019

FEATURED TAGS
Linux Java Algorithm ML100Days Machine Learning Deep Learning K8s Reinforcement Learning Yan Zaizai Big Data
ABOUT ME

There is no royal road to learning!

✉️ xujinliang.email@foxmail.com

FRIENDS