任務(wù) RNN的結(jié)構(gòu)。循環(huán)神經(jīng)網(wǎng)絡(luò)的提出背景、優(yōu)缺點(diǎn)。著重學(xué)習(xí)RNN的反向傳播、RNN出現(xiàn)的問(wèn)題（梯度問(wèn)題、長(zhǎng)期依賴問(wèn)題）、BPTT算法。 雙向RNN 遞歸神經(jīng)網(wǎng)絡(luò) LSTM、...
發(fā)簡(jiǎn)信
IP屬地：安徽
-
Task8 循環(huán)神經(jīng)網(wǎng)絡(luò) -
神經(jīng)網(wǎng)絡(luò)基礎(chǔ)前言 ??一個(gè)生物神經(jīng)細(xì)胞的功能比較簡(jiǎn)單，而人工神經(jīng)元只是生物神經(jīng)細(xì)胞的理想化和簡(jiǎn)單實(shí)現(xiàn)，功能更加簡(jiǎn)單。要想模擬人腦的能力，單一的神經(jīng)元是遠(yuǎn)遠(yuǎn)不夠的，需要通過(guò)很多神經(jīng)元一起協(xié)...
-
Task6 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)任務(wù) 前饋神經(jīng)網(wǎng)絡(luò)、網(wǎng)絡(luò)層數(shù)、輸入層、隱藏層、輸出層、隱藏單元、激活函數(shù)的概念。 感知機(jī)相關(guān)；定義簡(jiǎn)單的幾層網(wǎng)絡(luò)（激活函數(shù)sigmoid），遞歸使用鏈?zhǔn)椒▌t來(lái)實(shí)現(xiàn)反向傳播。 ...
-
Task5 樸素貝葉斯、SVM、LDA主題模型
任務(wù) 樸素貝葉斯 樸素貝葉斯的原理 利用樸素貝葉斯模型進(jìn)行文本分類 SVM模型 SVM的原理 利用SVM模型進(jìn)行文本分類 LDA主題模型 pLSA、共軛先驗(yàn)分布 LDA 使用...
-
Task1 數(shù)據(jù)集探索
IMDB數(shù)據(jù)集下載和探索 根據(jù)TensorFlow官方教程實(shí)現(xiàn)： THUCNews數(shù)據(jù)集下載和探索 根據(jù)githut進(jìn)行復(fù)現(xiàn) 對(duì)于函數(shù)batch_iter(x, y)的使用還...
