• Travis CI
  Travis CI Travis CI Test and Deploy with Confidence. Quick Start sign in 可以直接使用 github 账号登录。 Activate GitHub Repositories Flick the repository switch on. 登陆之后，添加想 CI 的项目即可。 Add .travis.yml ...
  2017-12-02 13:23:27 | CI
• DL4j-11-ETL User Guide
  ETL 神经网络需要处理的数据有许多种不同的来源和类型，例如日志文件、文本文档、表格数据、图像、视频等。 神经网络数据加工的目标是将各类数据转换为一系列存放于多维数组（Multi-Dimensional Array）中的值。 数据可能还需要进行各种预处理，包括转换、缩放、标准化、变换、合并、划分为定型与测试数据集、随机排序等。本页主要介绍目前可用的数据加工工具及其使用方法。 ...
  2017-12-02 12:12:40 | Deep Learning
• DL4j-10-DataVec
  DataVec DataVec帮助克服机器学习及深度学习实现过程中最重大的障碍之一：将数据转化为神经网络能够识别的格式。 神经网络所能识别的是向量。 因此，对许多数据科学家而言，在开始用数据定型自己的算法之前，首先必须要解决向量化的问题。 如果您的数据以CSV（逗号分隔值）格式储存在平面文件中，必须先转换为数值格式再加以摄取，又或者您的数据是一些有标签的图像的目录结构， 那么 Dat...
  2017-12-02 01:27:22 | Deep Learning
• 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