个人简介

Echo Blog


江湖无名 安心练剑
  • DL4j-09-De-Noise Encoder
    深度自动编码器 自动编码器是一种用于降维的神经网络,这也就是说,它可以用于特征选择和提取。 隐藏层数量多于输入的自动编码器有可能会学习恒等函数(输出直接等于输入的函数),进而变得无用。 降噪自动编码器是基本自动编码器的一种扩展,是加入了随机因素的自动编码器。降噪自动编码器采用对输入进行随机污染(即引入噪声)的方式来减少学习恒等函数的风险, 自动编码器必须将污染后的输入重构,或称降噪。 ...
    2017-12-01 13:30:47 | Deep Learning
  • DL4j-08-Deep Auto Encoder
    深度自动编码器 深度自动编码器由两个对称的深度置信网络组成, 其中一个深度置信网络通常有四到五个浅层,构成负责编码的部分,另一个四到五层的网络则是解码部分。 这些层都是受限玻尔兹曼机(RBM),即构成深度置信网络的基本单元, 它们有一些特殊之处,我们将在下文中介绍。以下是简化的深度自动编码器架构示意图,下文会作具体说明。 这种算法的大致思想是: 将神经网络的隐含层看成是一个编码器...
    2017-11-30 13:07:44 | Deep Learning
  • DL4j-07-RBM
    受限玻尔兹曼机 受限玻尔兹曼机由 Geoff Hinton 发明, 是一种用于降维、分类、回归、协同过滤、特征学习和主题建模的算法。 RBM是有两个层的浅层神经网络,它是组成深度置信网络的基础部件。RBM的第一个层称为可见层,又称输入层,而第二个层是隐藏层。 上图中每个圆圈都是一个与神经元相似的单元,称为节点,运算在节点中进行。一个层中的节点与另一层中的所有节点分别连接,但与同一层...
    2017-11-30 13:07:44 | Deep Learning
  • DL4j-06-word2vec
    Word2Vec 简介 Word2vec是一个用于处理文本的双层神经网络。它的输入是文本语料,输出则是一组向量:该语料中词语的特征向量。 虽然 Word2vec 并不是深度神经网络,但它可以将文本转换为深度神经网络能够理解的数值形式。 Word2vec的应用不止于解析自然语句。它还可以用于基因组、代码、点赞、播放列表、社交媒体图像等其他语言或符号序列,同样能够有效识别其中存在的模式。 ...
    2017-11-28 11:30:30 | Deep Learning
  • DL4j-05-CNN
    写在前面 发现距离上次学习 DL 已经有大半年了,中间因为网络原因而放弃。 仔细想来,是自己没有坚持。 希望自己坚持下去,深度学习必将是编程的一次革命性进步。 兴趣 为了提高兴趣和反馈,可以将知识点细碎的过一遍。 每一篇内容少一些。以后补充些实际的例子。 卷积网络 卷积网络(Convolutional Neural Networks)对图像进行物体辨识,可识别人脸、人类个体、...
    2017-11-27 12:49:53 | Deep Learning
  • SQL Query
    分组之后排序取第一条 oracle 分组后取每组第一条数据 SELECT * FROM (SELECT ROW_NUMBER() OVER(PARTITION BY x ORDER BY y DESC) rn, test1.* FROM test1) WHERE rn = 1 关联查询 今天关联查询遇到一个...
    2017-11-20 02:05:49 | SQL
  • MySQL Query Optimize 查询性能优化
    1 基本概念简述 1.1 逻辑架构 client=》连接=》sql 解析=》预处理=》查询优化器=》生成执行计划=》执行=》执行引擎=》存储引擎 第一层:客户端通过连接服务,将要执行的sql指令传输过来 第二层:服务器解析并优化sql,生成最终的执行计划并执行 第三层:存储引擎,负责数据的储存和提取 1.2 锁 数据库通过锁机制来解决并发场景-共享锁(读锁)和排他锁(写锁)。 ...
    2017-11-20 02:05:49 | SQL
  • mysql inner join 查询性能优化
    inner join 优化小表驱动大表介绍 在数据库查询中 SELECT * FROM 小表 INNER JOIN 大表 ON 小表.id=大表.id 效率高于 SELECT * FROM 大表 INNER JOIN 小表 ON 小表.id=大表.id 前者时间更短! inner join 原理 AND 小表驱动大表的原因 其实其他join也是这个原理,只是MySQL只对i...
    2017-11-20 02:05:49 | SQL