早告诉你了吧
A place to tell the truth, the whole truth and nothing but the truth.
机器学习tensorflow-keras之如何优雅的从上次断掉的地方继续训练 机器学习tensorflow-keras之如何优雅的从上次断掉的地方继续训练
前言在机器学习的场景中,训练数据经常会特别大,训练可能要持续好几天甚至上周。如果中途机器断电或是发生意外不得不中断训练过程,那就得不偿失。 使用keras 高阶API,可以很简单的保存训练现场,可以让我们很容易的恢复到上次落下的地方继续训练。 思路存在两个巨大的问题: 继续训练会有这样一个影响,就是我们的学习率如果是不固定的,比如前100 epoch 学习率0.1,后100 epoch 学习率要
2019-02-17
机器学习tensorflow-keras之保存和恢复模型h5py 机器学习tensorflow-keras之保存和恢复模型h5py
前言模型进度可在训练期间和之后保存。这意味着,您可以从上次暂停的地方继续训练模型,避免训练时间过长。此外,可以保存意味着您可以分享模型,而他人可以对您的工作成果进行再创作。发布研究模型和相关技术时,大部分机器学习从业者会分享以下内容: 用于创建模型的代码 模型的训练权重或参数 分享此类数据有助于他人了解模型的工作原理并尝试使用新数据自行尝试模型。 数据和依赖依赖安装并导入 TensorFlow
2019-02-16
机器学习tensorflow-keras之过拟合,欠拟合实验详解 机器学习tensorflow-keras之过拟合,欠拟合实验详解
什么是过拟合、欠拟合在之前的两个示例(分类影评和预测汽车燃油效率)中,我们了解到在训练周期达到一定次数后,模型在验证数据上的准确率会达到峰值,然后便开始下降。 也就是说,模型会过拟合训练数据。请务必学习如何处理过拟合。 尽管通常可以在训练集上实现很高的准确率,但我们真正想要的是开发出能够很好地泛化到测试数据(或之前未见过的数据)的模型。 欠拟合与过拟合相对的是欠拟合。当测试数据仍存在改进空间时,便
2019-02-14
机器学习tensorflow-keras之预测汽车燃油效率-回归问题 机器学习tensorflow-keras之预测汽车燃油效率-回归问题
前言回归问题的目标是预测一系列连续值的输出,比如价格和概率。和分类问题不一样,分类问题是从一堆中选出一类。(比方说从一堆照片中选出带有苹果的照片等) 这篇文章使用 Auto MPG 数据集来构建模型,预测上世纪70年到80年代的汽车燃油效率。这些数据包含:气缸、排量、马力和重量等属性。 我们需要使用seaborn来绘制一些图像: $ pip install seaborn 首次运行上述代码时: C
2019-02-13
机器学习tensorflow, keras之影评文本分类 机器学习tensorflow, keras之影评文本分类
前言这篇文章将会介绍文本形式的影评分类,分为“正面”或“负面”。 这是一个二元分类,也是一种重要且广泛适用的机器学习问题。 我们将使用IMDB数据集,其中包含来自 IMDB 的 50000 条影评文本。 IMDB 是一个电影评价网站,类似于国内的豆瓣。 我们将这些影评拆分为训练集(25000 条影评)和测试集(25000 条影评)。训练集和测试集数量相等。 我们将继续上一篇文章一样,使用 Kera
2019-02-04
机器学习tensorflow, keras之训练首个神经网络:对服饰图像基本分类 机器学习tensorflow, keras之训练首个神经网络:对服饰图像基本分类
本文会训练一个对服饰(例如运动鞋和衬衫)图像进行分类的神经网络模型。 使用tf.keras,它是一种用于在TensorFlow中构建和训练模型的High level API。 导入相关库# TensorFlow and tf.keras import tensorflow as tf from tensorflow import keras # Helper libraries import m
2019-02-03
基于智能手表感知的人体运动状态深度识别 基于智能手表感知的人体运动状态深度识别
0. 摘要 人体活动识别在智能健康监护等诸多应用中都是关键技术。然而多数传统方法只能简单识别并分类人体行为,但是提取信息不全面、难以提取有效特征,识别精度低。为了解决传统方法识别人体活动行为的缺点,我们使用深度神经网络来完成人体行为识别任务。本文通过智能手表加速度传感器、重力传感器和磁力传感器,基于深度学习的方式,对智能手表传感器采集的数据进行标准化处理。分别运用CNN卷积神经网络和RNN循环神经
2018-05-22