保存成功
订阅成功
保存失败,请重试
提交成功
如是

如是

算法工程师
算法工程师,主要从事数值模拟,智能算法的研究工作...更多
创作文章11

写给程序员的数理科普:混沌与三体

最初计算机出现就是为解决两方面问题:第一破解密码,第二科学计算。所以想聊聊这两方面的内容,也就是数学、物理学。有时候换个角度会发现自己的技能树还能解决其他学科的问题。而这些都是很实用的问题,其衍生出了卫星定轨、天气预报、矿产勘探等一系列内容。 本意想模仿《时间简史》的笔法,但力有未逮。所以次分享除了科普,还有实现部分,甚至于还有公式(少量解释问题使用)。 本次主要聊聊非线性系统。混沌问题实际上是一个非线性方程,它可以用形象的诸如“蝴蝶暴雨”之类的比喻解释,也可以用“机器学习”研究其统计特征。因此实现部分首先用TensorFlow的RNN函数完成了一个LC电路模拟,还有一个三体问题模拟,之后用“混沌吸引子”绘制几张壁纸。
免费阅读
254 订阅

机器学习004:循环神经网络实现与文本分类问题

本周主要目标在于实现一个可用的循环神经网络。主要内容包括:循环神经网络以及求导(BPTT)、多层循环神经网络、文本向量化以及一个小的文本分类实践。实现过程中使用了 Numpy 用于矩阵运算。文章目的在于脱离编程语言束缚去学习算法,因此可以使用其他编程语言,同时语言中应该包含以下组件:矩阵乘法、矩阵分片。 正文没有使用机器学习库,但由于 Python 语言的速度原因,为了更快获得结果,使用了 Tensorflow 进行了预训练,这个过程不是必须的。文末会附这部分代码。 本周推荐阅读时间:15min。
免费严选机器学习
312 订阅

每周一个机器学习小项目003:概率引入与交叉熵、贝叶斯分类器

本周机器学习小项目的主要目标在于引入概率模型。之前内容使用函数来描述模型,本周则侧重于从概率角度描述机器学习。概率与统计几乎是整个机器学习最重要的基础,甚至可能是深度学习之后新一代机器学习模型的基础。 本周主要内容包括:频率学派与贝叶斯学派、最大似然估计(MLE)、最大后验估计(MAP)、交叉熵作为损失函数与其反向传播过程实现、一个高斯环境下的贝叶斯分类器实现。最后就神经网络与贝叶斯分类器的等价关系作一说明与对比。 本周推荐阅读时间:25min
免费严选机器学习
344 订阅

每周一个机器学习小项目002:卷积神经网络实现与图片分类问题

本周小项目的主题是卷积神经网络的理论和实现。相比于前一篇添加了卷积层、池化层、反向传播以及辅助函数。理论描述中并未引入通常意义上的“卷积”以免带来困惑,因为机器学习中的“卷积”只是一个“滑动互相关”过程。代码部分是在全链接代码的基础上完成的,可以用于搭建 Yann Lecun1998年文章中所描述的用于识别手写字符的卷积神经网络。 文章目的在于解释算法,所以 TensorFlow、Caffe 等机器学习框架不会出现在正文中。但这不代表文中算法与相关机器学习库没有可比性,本章中卷积(互相关实现)、梯度计算结果均与 TensorFlow 相同。文末会给出文本实践过程中与TensorFlow的对比以及相关代码。 Python代码在速度上是有欠缺的,后续文章会使用并行(GPU+CPU)代码进行优化。
免费机器学习
307 订阅

每周一个机器学习小项目001:全链接层实现与分类问题

打算更新一个小的系列,不定期更新,但是题目定为《每周一个机器学习小项目》,主要偏重于深度学习内容,穿插一些传统的机器学习算法的理论和实现。没有什么特色,也没有什么噱头,甚至于名字都很普通。主要是想用200行左右的代码(限定为 Python,如果超过再改简介)实现一些机器学习算法。过去说完全熟悉机器学习至少需要三年的时间,所以大概会更新这么久。希望读者如果真的想从事机器学习工作,还是脚踏实地一步一步来,学习这种事快不得,学成后工程实践又是三年。门槛这种事情都是时间和精力堆起来的,所有速成都会增加以后学习的成本。 主要几个特色: 1. 主要使用的语言为 Python3+Numpy。 2. 尽量给出中英文对照,每篇文章都会推荐相关文献; 3. 描述理论过程中尽量不使用图片、比喻; 4. 后期有时间会更新GPU实现相关文章,这肯定不止200行; 5. 不会使用 TensorFlow、Caffe 以及其他任何机器学习库,cuDNN 除外。
免费严选机器学习
498 订阅

人工智能:风口之上泡沫之中谨慎入坑

现在有越来越多的事情都在向人工智能贴,仿佛咸鱼贴了 AI 的标就成了在风口上飞起来的猪。还有一些不负责任的人鼓动去转行 AI,显然这些人不是蠢,只是单纯的坏而已,为了蹭热点置其他人未来于不顾。放弃自己现在的行业积累,去做一个完全陌生的领域完全就是一个反职业发展逻辑的路。 目前而言由于一些简单工具的提出比如 Keras、TensorFlow 使得越来越多的人感觉人工智能只是使用一些工具而已。Spark 的提出使得很多人感觉大数据、分布式不过如此,那么大数据火了几年呢?人工智能又能火几年呢? 可能随着人工智能回归工具属性渗透进传统行业才普通行业发展的未来,这也是国家鼓励,但是别人的未来跟我们转行又有什么关系呢?似乎没有,每个行业会出现自己的 AI 人才。绕了一圈我们依然只是一个技术追随者。 **本场 Chat 只有文章,没有交流。**
免费人工智能
303 订阅

如何用 TensorFlow 让一切看起来更美?

是的,看标题就可以看出来,本场 Chat 的内容第一部分就是讲讲如何优雅的可视化,用 H5 技术的 Echarts,所谓悦目方能赏心之。好的可视化可以事倍功半。文章第二部分似乎与第一部分有些区别,我们来讲一讲 TensorFlow 一些艺术化的应用。比如用 TensorFlow 画漫画,用 TensorFlow 来作曲,这些 Fancy 的神经网络应用才应该是神经网络本来的样子。而用到的神经网络,结构包括 CNN 和 RNN(LSTM)。
TensorFlow
197 订阅

TensorFlow 人脸识别网络与对抗网络搭建

本场 Chat 开始复杂网络模型的搭建,这个过程中如果你用的是单机的话一定要保证电脑的内存以及运算速度足够。复杂的网络内存都是 4G 起步。而伴随着计算消耗的增大,将给我们带来更加有震撼性的结果。比如理解为何手机人脸识中矩形框是如何产生的,比如人脸识别网络结构是怎么样的,比如 GoogleNet 以及 Inception 等各种人脸识别网络性能如何,微观结构的差别是什么?最后来搭建一个对抗生成网络模型,来看一看神经网络更广泛的应用。
TensorFlow
218 订阅

TensorFlow 优化实践

本场 Chat 我将从手写数字开始,讲讲如何进行神经网络结构的搭建,以及网络参数的选取。同时你还可以了解道,什么是过拟合、梯度参数如何选取、Batch-size 意义和选取等细节问题。最后我们来讲一讲如何进行数据的预处理、提取特征等。最后我们来讲讲有意思的“三体”问题,这就是说我们数据分析师并不比物理学家差。
TensorFlow
164 订阅

TensorFlow 零基础入门

像我跟人常说的,学好 TensorFlow 等人现有的人工智能库只是机器学习的一个开始。从头造轮子再组装成车才是学习的目的,但是能完成这个任务的整个世界可能也没几个人,如是学好 TensorFlow 已经比大部分的数据分析师强了。 本场 Chat 我将从如何安装 TensorFlow 开始讲讲 TensorFlow 中的 Variable、Tensor、迭代算法、变量命名、计算过程可视化、计算图的可视化、TensorBoard 的使用等问题。
TensorFlow
328 订阅

用 C 语言实现神经网络需要几步?

本场 Chat 主要讲解神经网络的一些基础,并将那些复杂的名词诸如 SVD、PCA、ICA 与梯度迭代、batch_size 等用一条靠谱的知识线串联起来,避免认知的孤岛。举一反三是每个人工智能工程师所应该做到的。而最终目标是用 C 语言实现一个 BP 神经网络。所谓从头造轮子是学习的一个应有的态度。
C神经网络
177 订阅