分类： 概览

#9 生成对抗网络101 终极入门与通俗解析

我们能生成/创造我们的真实世界，才能说明我们是完完全全理解了它

David 9 要写一期生成对抗网络。

实在是因为,

第一：对抗网络最近太火了。第二:  生成模型太有意思了。让计算机自己去创造东西，不再是科幻！(有用过Prisma的朋友一定体验过)。没体验过的可以瞧瞧这篇文章：”关于Prisma：那些你知道的和不知道的”

生成模型通过训练大量数据, 学习自身模型, 最后通过自身模型产生逼近真实分布的模拟分布. 用这个宝贵的”分布”生成新的数据. 因此, 判别模型的目标是得到关于 y 的分布 P(y|X), 而生成模型的侧重是得到关于X分布 P(y, X) 或 P(x|y)P(y). 即, 判别模型的目标是给定一张图片, 请告诉我这是”长颈鹿”还是”斑马”, 而, 生成模型的目标是告诉你词语: “长颈鹿”, 请生成一张画有”长颈鹿”的图片吧~ 下面这张图片来自slideshare 可以说明问题:

http://www.slideshare.net/shaochuan/spatially-coherent-latent-topic-model-for-concurrent-object
来自: http://www.slideshare.net/shaochuan/spatially-coherent-latent-topic-model-for-concurrent-object

所以, 生成模型可以从大量数据中生成你从未见过的, 但是符合条件的样本.

难怪, 我们可以调教神经网络, 让他的画风和梵高一样. 最后输入一张图片, 它会输出模拟梵高画风的这张图片的油画.

言归正传, 为啥对抗网络在生成模型中受到追捧 ? 生成对抗网络最近为啥这么火 , 到底好在哪里? 

那就必须谈到生成对抗网络和一般生成模型的区别了. 继续阅读#9 生成对抗网络101 终极入门与通俗解析

神经网络101 手把手快速入门神经网络基础

David 9 今天发现一篇很适合作神经网络101的文章, 就是这篇Learning How To Code Neural Networks . 没有什么比自己写一个简单的神经网络更容易理解神经网络的了.

所以, 让我们开始吧 :

步骤1: 神经元和前向传播

什么是神经网络?  我们首先要搞明白什么是神经元.

神经元像一个函数 ; 它输入一些值, 计算后, 仅输出一个值.

下图中, 是一个人工神经元，输入是5，经过Sigmoid函数输出是1. 输入值5是哪里来的呢？ 其实就是向量[1, 0]与[7, 3]的点积, 最后加上bias偏置-2，即1*7 + 0*3 + (-2) = 5. 这里的[1, 0]叫输入向量，[7, 3]叫权重向量，-2叫偏置项，下面会谈到。

1-ya95fcxh4h7zys8gsrzvng

所以计算方式是：

1-pa-u0c_k9lpmgya696rq4w 继续阅读神经网络101 手把手快速入门神经网络基础

关于conda和anaconda不可不知的误解和事实——conda必知必会

2012年发布的跨平台包管理软件conda，是在数据分析界和Numpy和Scipy一样受欢迎的python工具。但是普通程序员平时只是会使用conda安装一些第三方包， 对它从哪里来，它是什么，和它要到哪里去所知甚少。今天我们就要讲一下关于conda和anaconda不可不知的误解和事实——conda必知必会的那些事实。

误解 #1：Conda是python的一个发行版，不是一个包管理器。

事实: Conda是一个包管理器；Anaconda才是一个python发行版。虽然conda是用Anaconda打包的， 但是它们两个的目标是完全不同的。

软件发行版是在系统上提前编译和配置好的软件包集合， 装好了后就可以直接用。包管理器是自动化软件安装，更新，卸载的一种工具。Conda，有命令”conda install”, “conda update”, “conda remove”, 所以很明显， conda是包管理器。

再来说说， Anaconda 和 Miniconda. Anaconda发行版会预装很多pydata生态圈里的软件，而Miniconda是最小的conda安装环境， 一个干净的conda环境。

但是，conda和Anaconda没有必然关系， 你可以不安装Anaconda的同时， 使用conda安装和管理软件。

误解 #2: Conda是一个python包管理器

继续阅读关于conda和anaconda不可不知的误解和事实——conda必知必会