码农场

2017-05-26阅读(5810)评论(0)

这节课讲了为什么要综合多个模型，好处与原理、具体做法等。讲解了贝叶斯学习中的神经网络模型混合、马尔科夫蒙特卡洛方法，以及从新角度阐释更高效的Dropout。 综合网络：偏置方差均衡 训练数据少，容易过拟合。综合多个模型可以防止过拟合，特别是...

2017-05-25阅读(3440)评论(0)

这次练习在USPS手写邮政编码数据集上训练识别模型，重点是训练神经网络时的各种调参技巧。 数据集 数据全集有11000张图片，其中1000作为训练集，1000作为验证集，9000作为测试集（训练集与测试集的比例不同寻常，很容易过拟合，富有挑...

2017-05-24阅读(5897)评论(0)

这节课介绍防止模型过拟合的各种方法，给出了正则化项、惩罚因子的贝叶斯解读；并展示了基于贝叶斯解读的一种实践有效的惩罚因子调参方法。 复习：过拟合 训练数据中不光有正确的规律，而且还有偶然的规律（采样误差，只取决于训练实例的选择）。拟合模型的...

2017-05-20阅读(6215)评论(2)

首先简要介绍Hessian-Free优化理论。这是块硬骨头，并不要求一定掌握。 在给定方向上的移动能够将误差降低多少 在训练神经网络的时候，我们想要在error surface上尽量多地下降。梯度有了之后，具体能够迈多大一步呢？以二次曲线为...

2017-05-18阅读(6790)评论(0)

首先复习一下常见序列模型，包括BiGram、linear dynamic system和HMM。通过对简单模型的比较学习，加深对RNN的理解。 为序列建模 目的是将一个输入序列转化为一个输出序列，如机器翻译、语音识别。 当不区分输入和输出序...

2017-03-29阅读(8093)评论(0)

这节课围绕着如何加快训练速度这个现实问题，从理论上分析了学习过程中的问题，介绍了许多实践中有效的锦囊妙计。 复习 先复习一下优化理论中的几个概念。 weight space中的error surface 以误差为y轴，每个权值为x轴可以得到...

2017-03-28阅读(13150)评论(4)

斯坦福UFLDL中CNN剩下两章的笔记，辅以两次编程练习，至此完成了CNN的学习。 梯度下降概述 诸如L-BFGS之类的批优化方法每次更新都使用整个训练集，能够收敛到局部最优。因为要设置的超参数很少，所以很好用，matlab里也有许多类似m...

2017-03-28阅读(8865)评论(0)

这是关于斯坦福大学的UFLDL（Unsupervised Feature Learning and Deep Learning）中CNN一章的笔记，用来补足Hinton神经网络公开课略过的部分。 概览 前几次练习解决了处理低分辨率图片的问题...

2017-03-24阅读(16051)评论(13)

译自Tim Dettmers的Understanding Convolution in Deep Learning。有太多的公开课、教程在反复传颂卷积神经网络的好，却都没有讲什么是“卷积”，似乎默认所有读者都有相关基础。这篇外文既友好又深入...

2017-03-22阅读(5779)评论(0)

这节课蜻蜓点水地讲了图像识别和卷积神经网络，老爷子讲得实在很简略。所以这节课不能当作CNN的入门资料，如果感觉任何地方不清楚，不要沮丧，因为根本没讲。 图像识别的难处 为什么最新的技术只能做到十几二十几的error rate呢，因为图像识别...