智能算法

1 简介 胶囊网络（CapsNet）由 Hinton 于2017年10月在《Dynamic Routing Between Capsules》中提出，目的在于解决 CNN 只能提取特征，而不能提取特征

1 前言 时域卷积网络（Temporal Convolutional Network，TCN）属于卷积神经网络（CNN）家族，于2017年被提出，目前已在多项时间序列数据任务中击败循环神经网络（RNN

1 前言 本文以MNIST手写数字分类为例，讲解使用一维卷积和二维卷积实现 CNN 模型。关于 MNIST 数据集的说明，见使用TensorFlow实现MNIST数据集分类。实验中主要用到 Conv1

1 seq2seq模型简介 seq2seq 模型是一种基于【 Encoder-Decoder】（编码器-解码器）框架的神经网络模型，广泛应用于自然语言翻译、人机对话等领域。目前，【seq2seq+at

1 前言 基于keras的双层LSTM网络和双向LSTM网络中，都会用到 LSTM层，主要参数如下： units：隐藏层神经元个数 input_shape=(time_step, input_feat

1 前言 理论上，网络层数越深，拟合效果越好。但是，层数加深也会导致梯度消失或梯度爆炸现象产生。当网络层数已经过深时，深层网络表现为“恒等映射”。实践表明，神经网络对残差的学习比对恒等关系的学习表现更

1 前言 keras是Google公司于2016年发布的以tensorflow为后端的用于深度学习网络训练的高阶API，因接口设计非常人性化，深受程序员的喜爱。 keras建模有3种实现方式——序列模

1 理论 计算定积分时，可以通过微元法逼近，如下： 若取值均匀，公式如下： 通过上述公式可以看到，定积分的值可以通过取样点函数值的线性组合得到。当取样点已经确定时，定积分的精度取决于每个取样点所分配的

1 MNIST数据集 MNIST数据集由70000张28x28像素的黑白图片组成，每一张图片都写有0~9中的一个数字，每个像素点的灰度值在0 ~ 255（0是黑色，255是白色）之间。 MINST数据

1 三次样条插值 早期工程师制图时，把富有弹性的细长木条（所谓样条）用压铁固定在样点上，在其他地方让它自由弯曲，然后沿木条画下曲线，成为样条曲线。 设函数S(x)∈C2[a,b] ，且在每个小区间[x

1前言 1.1傅里叶变换 函数f(t)为一元连续函数，其傅里叶变换定义为： F(w)的傅里叶逆变换定义为： 其中，i为虚数单位。由欧拉公式： 任意绝对可积的连续函数f(t)，都可以用三角函数表示，由于

1 前言 在使用RBF神经网络实现函数逼近中，笔者介绍了使用 Matlab 训练RBF神经网络。本博客将介绍使用 tensorflow 训练RBF神经网络。代码资源见：RBF案例（更新版） 这几天，笔

1 前言 循环神经网络（Recurrent Neural Network, RNN）又称递归神经网络，出现于20世纪80年代，其雏形见于美国物理学家J.J.Hopfield于1982年提出的可作联想存

1 统计学语言模型 自然语言处理（Natural Language Processing，NLP）中最基本的问题是：**如何计算一个单词（或一段单词序列）在某种语言下出现的概率？**即，下文连乘概率式

1 待拟合函数 noise服从均值为0，方差为15的正太分布，即noise ~ N(0,15)。 2 基于模型的训练 根据散点图分布特点，猜测原始数据是一个二次函数模型，如下： 其中，a,b,c为待训

1 MNIST数据集和CNN网络配置 关于MNIST数据集的说明及配置见使用TensorFlow实现MNIST数据集分类 CNN网络参数配置如下： 原始数据：输入为[28,28]，输出为[1,10]

1 一元函数逼近 1.1 待逼近函数 1.2 代码 1.3 运行结果 MSE=0.0828 2 二元函数逼近 2.1 待逼近函数 2.2 代码 2.3 运行结果 MSE=0.4959 ​ 声明：本文转

python实现的RBF神经网络见：基于tensorflow的RBF神经网络案例 1 一元函数逼近 1.1 待逼近的函数 1.2代码 1.3运行结果 MSE=0.9157 2 二元函数逼近 2.1待逼