dl4j深度學習教程
深度學習教程
歡迎來到教程主頁。以下的教程專門為剛開始接觸深度學習和DeepLearning4J的使用者介紹相關概念，還會提供影象識別、文字處理、分類的示例。部分示例會在提供程式碼的同時給出文字介紹，其他一些示例則是程式碼編寫過程的螢幕錄影，配以口頭說明。祝您學習愉快！
基礎神經網路
MNIST基礎教程
MNIST在機器學習領域是相當於“Hello World”的入門示例。本教程將向您介紹如何用MNIST資料集來定型一個單層神經網路。
MNIST高階教程
如果採用更復雜的Lenet演算法來處理MNIST資料集，可以達到99%的準確率。Lenet是一種深度卷積網路。
Word2Vec教程
Word2vec是一種比較流行的自然語言演算法，能建立可以輸入深度神經網路的神經詞向量。
線性分類器教程
本教程將向您介紹如何用多層感知器進行線性分類。
以下是由Tom Hanlon主講的機器學習視訊講座。在這一系列的基礎教程中，Tom會講解如何構建簡單的神經網路。下面這段螢幕錄影主要介紹怎樣用Deeplearning4j構建一個線性分類器。
異或門教程
異或門（XOR）是用於實現異或邏輯的數字邏輯閘。“異或”指有且僅有一個輸入值為真時，門的輸出值為真，即1。
DataVec + Spark教程
本教程主要介紹如何用Skymind的DataVec來從文字檔案中攝取逗號分隔值，如何在Spark中用DataVec轉換程序（DataVec Transform Process）將這些欄位轉換為數值形式，以及如何儲存修改後的資料。將非數值資料轉換為數值形式是用神經網路分析資料的關鍵預備步驟之一。
影象資料加工管道教程
影象資料攝取與標記
本教程包括一系列視訊和程式碼示例，介紹如何建立一個完整的資料加工管道。
第一個示例演示瞭如何使用DataVec的一些工具來讀取目錄中的影象，再用ParentPathLabelGenerator為影象生成一個標籤。資料讀取並標記完畢後，將影象資料的畫素值範圍從0～255縮放至0～1。
新增神經網路
本教程在影象資料攝取與標記教程的基礎上介紹如何為DataVec影象資料加工管道新增一個神經網路，用載入的影象將其定型。具體內容包括MultiLayerNetwork、DataSetIterator、網路定型以及在定型過程中監測模型的表現。
儲存和載入已定型網路
網路定型完畢後，您可能會需要儲存已定型的網路，以便將來構建應用程式時使用。本教程將會演示已定型模型的儲存和載入方法。
用自選影象測試已定型網路
網路定型及測試完畢後，就可以將它部署到應用程式中了。本教程將演示如何載入一個定型的模型並新增簡易的filechooser介面，以便讓模型推測使用者輸入的影象是哪個數字。在以下的視訊中，我們會用一張在谷歌上搜索到的數字3的影象來測試一個用MNIST手寫數字資料集定型的前饋神經網路。
LSTM和迴圈網路基礎教程
迴圈網路是一類人工神經網路，用於識別諸如文字、基因組、手寫字跡、語音等序列資料的模式，或用於識別感測器、股票市場、政府機構產生的數值型時間序列資料。
長短期記憶單元機制讓神經網路可以根據經驗來學習如何對時間序列事件進行分類、處理和預測。
通過DL4J使用迴圈網路
進一步深入探討迴圈神經網路（RNN），包括在DL4J中配置使用RNN的方法
其他Deeplearning4j教程
相關推薦
dl4j深度學習教程
深度學習教程歡迎來到教程主頁。以下的教程專門為剛開始接觸深度學習和DeepLearning4J的使用者介紹相關概念，還會提供影象識別、文字處理、分類的示例。部分示例會在提供程式碼的同時給出文字介紹，其他一些示例則是程式碼編寫過程的螢幕錄影，配以口頭說明。祝您學習愉快！基礎神經
最實用的深度學習教程 Practical Deep Learning For Coders (Kaggle 冠軍 Jeremy Howard 親授)
ted del src learning over attention wid multi 美國 Jeremy Howard 在業界可謂大名鼎鼎。他是大數據競賽平臺 Kaggle 的前主席和首席科學家。他本人還是 Kaggle 的冠軍選手。他是美國奇點大學（Singular
LISA實驗室的深度學習教程0.1版
本書分為以下章節（共173頁）： 授權許可 深度學習教程 開始學習 基於Logistic迴歸的MNIST數字分類 多層感知器 卷積神經網路LeNet 降噪自編碼器dA 堆疊降噪自編碼器SdA 受限玻
一些吳恩達深度學習教程筆記
下降法 1.梯度下降演算法 2.動量（Momentum）梯度下降法 向著最小點的方向加速，與這個方向垂直方向減速 v=β∗v+(1−β)∗v=β∗v+(1−β)∗資料 t β越小，就越關注當前資料，也就是曲線的細節 動量梯
吳恩達深度學習教程中文筆記目錄
深度學習筆記目錄 第一門課 神經網路和深度學習(Neural Networks and Deep Learning) 1.1 歡迎(Welcome) 1 1.2 什麼是神經網路？(What is a Neural Network) 1.3 神經網路的監督學
Deep Learning 1_深度學習UFLDL教程：Sparse Autoencoder練習（斯坦福大學深度學習教程）
1前言 本人寫技術部落格的目的，其實是感覺好多東西，很長一段時間不動就會忘記了，為了加深學習記憶以及方便以後可能忘記後能很快回憶起自己曾經學過的東西。 首先，在網上找了一些資料，看見介紹說UFLDL很不錯，很適合從基礎開始學習，Adrew Ng大牛寫得一點都不裝B，感覺非常好
Deep Learning 4_深度學習UFLDL教程：PCA in 2D_Exercise（斯坦福大學深度學習教程）
前言 本節練習的主要內容：PCA，PCA Whitening以及ZCA Whitening在2D資料上的使用，2D的資料集是45個數據點，每個資料點是2維的。要注意區別比較二維資料與二維影象的不同，特別是在程式碼中，可以看出主要二維資料的在PCA前的預處理不需要先0均值歸一化，而二維自然影象需要先
Deep Learning 3_深度學習UFLDL教程：預處理之主成分分析與白化_總結（斯坦福大學深度學習教程）
1PCA ①PCA的作用：一是降維；二是可用於資料視覺化； 注意：降維的原因是因為原始資料太大，希望提高訓練速度但又不希望產生很大的誤差。 ② PCA的使用場合：一是希望提高訓練速度；二是記憶體太小；三是希望資料視覺化。 ③用PCA前的預處理：(1)規整化特徵的均值大致為0；(
Deep Learning 19_深度學習UFLDL教程：Convolutional Neural Network_Exercise（斯坦福大學深度學習教程）
基礎知識 概述 CNN是由一個或多個卷積層（其後常跟一個下采樣層）和一個或多個全連線層組成的多層神經網路。CNN的輸入是2維影象（或者其他2維輸入，如語音訊號）。它通過區域性連線和權值共享，再通過池化可得到平移不變特徵。CNN的另一個優點就是易於訓練
Deep Learning 8_深度學習UFLDL教程：Stacked Autocoders and Implement deep networks for digit classification_Exercise（斯坦福大學深度學習教程）
前言 2.實驗環境：win7， matlab2015b，16G記憶體，2T硬碟 3.實驗內容：Exercise: Implement deep networks for digit classification。利用深度網路完成MNIST手寫數字資料庫中手寫數字的識別。即：用6萬個已標註資料（即：6萬
Deep Learning 11_深度學習UFLDL教程：資料預處理（斯坦福大學深度學習教程）
資料預處理是深度學習中非常重要的一步！如果說原始資料的獲得，是深度學習中最重要的一步，那麼獲得原始資料之後對它的預處理更是重要的一部分。 1.資料預處理的方法： ①資料歸一化： 簡單縮放：對資料的每一個維度的值進行重新調節，使其在 [0,1]或[ − 1,1] 的區間內 逐樣本均值消減：在每個
Deep Learning 13_深度學習UFLDL教程：Independent Component Analysis_Exercise（斯坦福大學深度學習教程）
前言 實驗環境：win7， matlab2015b，16G記憶體，2T機械硬碟 難點：本實驗難點在於執行時間比較長，跑一次都快一天了，並且我還要驗證各種代價函式的對錯，所以跑了很多次。 實驗基礎說明： ①不同點：本節實驗中的基是標準正交的，也是線性獨立的，而Deep Learni
Deep Learning 12_深度學習UFLDL教程：Sparse Coding_exercise（斯坦福大學深度學習教程）
前言 實驗環境：win7， matlab2015b，16G記憶體，2T機械硬碟 本節實驗比較不好理解也不好做，我看很多人最後也沒得出好的結果，所以得花時間仔細理解才行。 實驗內容：Exercise:Sparse Coding。從10張512*512的已經白化後的灰度影象（即：Deep Learnin
Deep Learning 6_深度學習UFLDL教程：Softmax Regression_Exercise（斯坦福大學深度學習教程）
前言 練習內容：Exercise:Softmax Regression。完成MNIST手寫數字資料庫中手寫數字的識別，即：用6萬個已標註資料（即：6萬張28*28的影象塊（patches）），作訓練資料集，然後利用其訓練softmax分類器，再用1萬個已標註資料（即：1萬張28*28的影象塊（pa
Deep Learning 7_深度學習UFLDL教程：Self-Taught Learning_Exercise（斯坦福大學深度學習教程）
前言 理論知識：自我學習 練習環境：win7， matlab2015b，16G記憶體，2T硬碟 一是用29404個無標註資料unlabeledData（手寫數字資料庫MNIST Dataset中數字為5-9的資料）來訓練稀疏自動編碼器，得到其權重引數opttheta。這一步的目的是提取這
Deep Learning 2_深度學習UFLDL教程：向量化程式設計（斯坦福大學深度學習教程）
1前言 本節主要是讓人用向量化程式設計代替效率比較低的for迴圈。 在前一節的Sparse Autoencoder練習中已經實現了向量化程式設計，所以與前一節的區別只在於本節訓練集是用MINIST資料集，而上一節訓練集用的是從10張圖片中隨機選擇的8*8的10000張小圖塊。綜上，只需要在
Deep Learning 9_深度學習UFLDL教程：linear decoder_exercise（斯坦福大學深度學習教程）
前言 實驗基礎說明： 1.為什麼要用線性解碼器，而不用前面用過的棧式自編碼器等？即：線性解碼器的作用？ 這一點，Ng已經在講解中說明了，因為線性解碼器不用要求輸入資料範圍一定為(0,1），而前面用過的棧式自編碼器等要求輸入資料範圍必須為(0,1）。因為a3的輸出值是f函式的輸出，而在普通的spa
Deep Learning 10_深度學習UFLDL教程：Convolution and Pooling_exercise（斯坦福大學深度學習教程）
前言 實驗環境：win7， matlab2015b，16G記憶體，2T機械硬碟 實驗內容：Exercise:Convolution and Pooling。從2000張64*64的RGB圖片（它是 the STL10 Dataset的一個子集）中提取特徵作為訓練資料集，訓練softmax分類器，然後從
Deep Learning 5_深度學習UFLDL教程：PCA and Whitening_Exercise（斯坦福大學深度學習教程）
close all; % clear all; %%================================================================ %% Step 0a: Load data % Here we provide the code to load n
Torch7深度學習教程（七）
這一章主要分享預測的基本操作，並且先將前面分享的內容總結下，完整地實現CNN影象分類的例項 require 'paths'; require 'nn'; ---Load TrainSet paths.filep("/home/ubuntu64/c