前言
介绍安装和使用磁盘监控工具smartmontools,以Mac为例。
从未认清事情的全貌
前一章中介绍了循环神经网络的基础知识,这种网络可以更好地处理序列数据。但对于当今各种各样的序列学习问题,这些技术可能并不够用。
例如,循环神经网络在实践中一个常见问题是数值不稳定性。尽管我们已经应用了梯度裁剪等技巧来缓解这个问题,但是仍需要通过设计更复杂的序列模型可以进一步处理它。比如两个广泛使用的网络:门控循环单元(gated recurrent units,GRU)和长短期记忆网络(long short-term memory,LSTM)。然后本章将基于一个单向隐藏层来扩展循环神经网络架构,描述具有多个隐藏层的深层架构,并讨论基于前向和后向循环计算的双向设计。现代循环网络经常采用这种扩展。在解释这些循环神经网络的变体时将继续利用上一章中的语言建模问题。
目前为止仅接触到两种类型的数据:表格数据和图像数据。 对于图像数据,可以设计专门的卷积神经网络架构来为这类特殊的数据结构建模。 对于一张图像,我们需要有效地利用其像素位置,假若对图像中的像素位置进行重排,就会对图像中内容的推断造成极大的困难。
最重要的是,到目前为止我们默认数据都来自于某种分布, 并且所有样本都是独立同分布的 (independently and identically distributed,i.i.d.)。 然而,大多数的数据并非如此。 例如,文章中的单词是按顺序写的,如果顺序被随机地重排,就很难理解文章原始的意思。 同样,视频中的图像帧、对话中的音频信号以及网站上的浏览行为都是有顺序的。 因此,针对此类数据而设计特定模型,可能效果会更好。
本章介绍的卷积神经网络(convolutional neural network,CNN)是一类强大的、为处理图像数据而设计的神经网络。 基于卷积神经网络架构的模型在计算机视觉领域中已经占主导地位,当今几乎所有的图像识别、目标检测或语义分割相关的学术竞赛和商业应用都以这种方法为基础。
对应实践:https://github.com/silenceZheng66/deep_learning/blob/master/d2l/0x07.ipynb
tag:
缺失模块。
1、请确保node版本大于6.2
2、在博客根目录(注意不是yilia根目录)执行以下命令:
npm i hexo-generator-json-content --save
3、在根目录_config.yml里添加配置:
jsonContent: meta: false pages: false posts: title: true date: true path: true text: false raw: false content: false slug: false updated: false comments: false link: false permalink: false excerpt: false categories: false tags: true