没有合适的资源?快使用搜索试试~ 我知道了~
资源详情
资源评论
资源推荐
笔记本: 深度学习
创建时间: 2018/3/23 10:05 更新时间: 2020/5/28 21:52
作者: beyourselfwb@163.com
标签: 深度学习, 视频链接
URL:
https://classroom.udacity.com/nanodegrees/nd101/parts/83dbe0a0-2265-4b03-b693-397a69d49eca/
…
某课程视频链接youtube
一个简单的自编码器
https://www.youtube.com/watch?v=P1XkcQI4JBY
卷积自编码器介绍
https://www.youtube.com/watch?v=AaE-0TwR45Q
卷积自编码器解决方案
https://www.youtube.com/watch?v=avbNvKQ2qLE
迁移学习
迁移学习简介:
2. 用 VGGNet 进行迁移学习
https://www.youtube.com/watch?v=WmQwYr0DYjY
3.VGGNet 练习
https://www.youtube.com/watch?v=615SslQiGvo
4.VGGNet 答案
https://www.youtube.com/watch?v=BpzI6Svmuv8
5.数据预处理练习
https://www.youtube.com/watch?v=WfsDMq-b3y4
6.数据预处理答案
https://www.youtube.com/watch?
time_continue=5&v=WEtKkHlhhZA
7.建立分类器练习
https://www.youtube.com/watch?v=pPHiVddBY0Q
8.建立分类器答案
https://www.youtube.com/watch?v=6ifxRQ_gL7w
9.训练模型练习
https://www.youtube.com/watch?v=b7Fy3cIoJ1Y
10.训练模型答案
https://www.youtube.com/watch?
time_continue=4&v=NLPtmQjGYCA
循环神经网络RNN
1.RNN入门
https://www.youtube.com/watch?v=64HSG6HAfEI
2. LSTMs
https://www.youtube.com/watch?v=RYbSHogZetc
3.字符RNN
https://www.youtube.com/watch?v=dXl3eWCGLdU
4.序列分批
https://www.youtube.com/watch?v=Z4OiyU0Cldg
8.LSTM cell
https://www.youtube.com/watch?v=ajC-5uWB8S4
10.RNN输出
https://www.youtube.com/watch?v=RkanDkcrTxs
11.网络损失
https://www.youtube.com/watch?v=itu-uNK4brc
13.搭建网络
https://www.youtube.com/watch?v=RVNjDlWTBQU
15.RNN资源
来自 CS231n 的关于 RNN 和 LSTM 的
Andrej Karpathy
的讲
座。
Christopher Olah 发表的一篇关于 LSTM 原理的精彩博文。
全新构建一个
RNN
,这个难度级别有点高,但 TensorFlow 中
已有实现。
序列到序列
1.简介
https://www.youtube.com/watch?v=HPOzAlXhuxQ
3.应用
https://www.youtube.com/watch?v=tDJBDwriJYQ
4.架构
https://www.youtube.com/watch?v=dkHdEAJnV_w
5.更深的架构
https://www.youtube.com/watch?v=rdAo4MqLbEk
6.预处理
https://www.youtube.com/watch?v=ktQW6p9pOS4
7.TensorFlow中的序列到序列模型
Tensor
fl
ow
中的序列到序列模型
Tensorflow 有一堆 API 可帮助你构建序列到序列模型(简称为
seq2seq 模型)。要注意的一点是,这些 API 在 2016 年底发
生了变化(在某种程度上还在演变中)。你将在网站上找到的
tensorflow 中的 seq2seq 模型教程都使用现已弃用的
tf.contrib.legacy_seq2seq(以前称为“tf.nn.seq2seq”)。
seq2seq 的重要模块包括:
tf.nn
,这允许我们构建不同种类的 RNN
tf.contrib.rnn
,这定义多个 RNN cell(RNN cell 是在
tf.nn 中为 RNN 定义的必需参数)。
tf.contrib.seq2seq
,这包含 seq2seq 解码器和损失操作。
主要成分
概括来讲,seq2seq 模型具有以下主要成分:
8.输入
编码器:这是一个
tf.nn.dynamic_rnn
函数。
解码器:这是一
个
tf.contrib.seq2seq.dynamic_rnn_decoder
函数。
seq2seq
模块
阅读
https://www.tensor
fl
ow.org/api_docs/python/tf/contrib/seq2seq
以理解其主
要成分。你可以暂时忽略带有
“
注意
”
(
attention
)的所有内容。
输入
当想让模型进行推理时,我们需要向它提供输入序列。假设我
们在构建聊天机器人,我们的序列将是文字。我们首先需要将
文字转换成网络可以用于计算的适当数字表示。此转换使
用
tf.nn.embedding_lookup
完成,我们可以用它(在对数据
进行一些处理后)将文字变成向量。
训练输入
如果我们向解码器提供目标序列,而不管运行的训练中的实际
输出的时间步长如何,这些模型的效果会更好一些。所以与推
理图不同,我们不会在下一个时间步长中将解码器的输出提供
给它自己。在使用样本训练模型之前,我们需要对数据进行预
处理。
剩余18页未读,继续阅读
BJWcn
- 粉丝: 28
- 资源: 295
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0