inst2vec的實驗中，有許多難以理解的資料處理操作
比如，對資料進行shuffle，對引數進行l2正則化，截斷地產生正態分佈隨機數，對bias置為0，
**難以理解的原因：
取樣上的策略，對為何採用這樣的策略不是很清楚
各種引數的影響：flags的鍋
tensorflow api的影響：tensorflow中tensor的形狀
疑點：在從rec檔案中讀取檔案內容之後，進行map可以理解，之後進行shuffle時，傳入的引數int(1e5)是什麼含義？
往下，input_data區域，next[:, 0]和next[:, 1]分別是代表什麼？
正常的shape表示都應該是小括號，為什麼tf.reshape在傳引數的時候，shape是乙個中括號括住的list？
另外還是這兩行**，rec檔案這樣乙個二進位制檔案的內容可以用vim讀出來，但這又是什麼含義？
tensorflow的圖定義和執行分離，參考部落格
神經網路 卷積神經網路
這篇卷積神經網路是前面介紹的多層神經網路的進一步深入，它將深度學習的思想引入到了神經網路當中，通過卷積運算來由淺入深的提取影象的不同層次的特徵，而利用神經網路的訓練過程讓整個網路自動調節卷積核的引數，從而無監督的產生了最適合的分類特徵。這個概括可能有點抽象，我盡量在下面描述細緻一些，但如果要更深入了...
神經網路 卷積神經網路
1.卷積神經網路概覽 來自吳恩達課上一張，通過對應位置相乘求和，我們從左邊矩陣得到了右邊矩陣，邊緣是白色寬條，當畫素大一些時候，邊緣就會變細。觀察卷積核，左邊一列權重高，右邊一列權重低。輸入，左邊的部分明亮，右邊的部分灰暗。這個學到的邊緣是權重大的寬條 都是30 表示是由亮向暗過渡，下面這個圖左邊暗...
神經網路實踐1 MLPCliassifier
2019 01 02 前幾天就已經用sklearn試過這個資料集，最後也無疾而終，這次算是一次比較完整的測試了多層感知機的演算法。而且通過自己知道的一些內容進行了引數的調優。本篇隨筆用來記錄這次實踐。這部分的實踐參過過另外乙個人的部落格 3 整體上這次實踐的過程並不是很困難，其 現的一些問題讓我比較...