machine-learning

    0热度

    2回答

    我读过一些关于卷积神经网络的论文,发现几乎所有的论文都将这些完全连接的层称为正常的CNN“顶层”。 但是,正如大多数论文所显示的那样,典型的CNN具有自顶向下的结构,并且完全连接的层(通常跟着一个softmax分类器)被放置在网络的底部。那么,为什么我们称他们为“顶层”呢?这是一种惯例,还是我不知道的其他考虑因素?

    2热度

    1回答

    最近我强迫我的神经网络学习异或函数,但现在我想预测给定日期的货币汇率。对于XOR函数来说很容易,因为输入和输出落在[0; 1)之间。 汇率: 应该对输入和输出进行归一化处理吗?如果是的话如何?网络应该有多少层?有多少输入 - 我在考虑1个输入(时间或某种表示)。 我打算使用:多层网络,sigmoid函数,带有nesterov动量的梯度下降。

    0热度

    1回答

    我正在从文档(pdf)中进行命名实体提取。每个PDF包含组实体(近16个不同类型的实体) 这里是我的步骤,构建NLP和ML车型: Step 1:分析文档。有近2百万令牌(单词)。用这些词和CBOW方法构建word2vec模型。 Step 2:通过使用word2vec模型,生成向量的单词在douments。 Step 3:根据域,我为培训,验证和测试标记单词(向量)。 Step 4:带标签的数据,训

    3热度

    1回答

    对于没有理论最大值的特征进行规范化/标准化最好的方法是什么? 例如,股票价值一直在0-1000美元之间的趋势并不意味着它不能继续上涨,那么正确的方法是什么? 我曾考虑过培养一个更高的模型(例如2000),但它感觉不对,因为没有数据可用于1000-2000范围,我认为这会引入偏差

    0热度

    1回答

    我想弄清楚这样做的最佳方法,因为我需要创建一个脚本来完成大约3000个图像文件的任务。所以,我必须设置图像集,并且我想创建两个集。目的是取图像A的左半部分并将其与图像B的右半部分结合以创建集合AB。我也需要做相反的事情,创造出第四套BA。我需要这样做,以便它继续为name.001.jpg文件命名约定。任何帮助都感激不尽。

    0热度

    2回答

    下面是我的数据框和代码 df= a b c d 1 3 10 110 2 5 12 112 3 6 17 112 4 8 110 442 下面是我的代码 spark =SparkSession.builder.appName('dev_member_validate_spark').config('spark.sql.crossJoin.enabled','true').g

    1热度

    1回答

    我使用Kaggle Rossmann dataset来训练一个宽而深的模型。代码与教程中给出的代码非常相似。我只更改用于建模的数据。 我正在使用的代码如下: """Example code for TensorFlow Wide & Deep Tutorial using TF.Learn API.""" from __future__ import absolute_import from

    0热度

    2回答

    我想要预测单张图片的结果,但它会给出不相关的结果。我已经训练模型上CIFAR 10集 我已经使用keras和tensorflow训练这个模型 这里是训练码要点:https://github.com/09rohanchopra/cifar10/blob/master/cifar10-simple-cnn.ipynb 代码用于预测simgle图像 # from keras.preprocessing

    0热度

    1回答

    我使用的是python 2.7的Anaconda发行版,特别是iPython shell(不确定shell是否是合适的术语)。 当我尝试做from matplotlib.colors import ListedColorMap我回到这个错误: ImportError Traceback (most recent call last) <ipython-input-12-6f0674

    5热度

    1回答

    我正在使用Scikit-learn进行文本分类。我想计算每个属性相对于(稀疏)文档项矩阵中的类的信息增益。 信息增益定义为H(Class) - H(Class | Attribute),其中H是熵。 使用weka,这可以通过InfoGainAttribute来完成。但我还没有在scikit-learn中找到这个方法。 但是,信息增益上面的公式与互信息是相同的度量,它已经是suggested。这也匹