摘要：本文中我们介绍的AnimeGAN就是GitHub上一款爆火的二次元漫画风格迁移工具，可以实现快速的动画风格迁移。本文分享自华为云社区《AnimeGANv2照片动漫化：如何基于PyTorch和神经网络给GirlFriend制作漫画风头像？【秋招特训】》，作者：白鹿第一帅。前言将现实世界场景的照片转换为动漫风格图像的方法，这是计算机视觉和艺术风格转换中一项有意义且具有挑战性的任务，而本文中我们介绍的AnimeGAN就是GitHub上一款爆火的二次元漫画风格迁移工具，可以实现快速的动画风格迁移。该工具是基于神经风格迁移和生成对抗网络(GAN)技术打造的，相比于传统的神经网络模型，GAN是一种全
一、说明本文分享基于Fate使用横向联邦神经网络算法对多分类的数据进行模型训练，并使用该模型对数据进行多分类预测。二分类算法：是指待预测的label标签的取值只有两种；直白来讲就是每个实例的可能类别只有两种(0或者1)，例如性别只有男或者女；此时的分类算法其实是在构建一个分类线将数据划分为两个类别。多分类算法：是指待预测的label标签的取值可能有多种情况，例如个人爱好可能有篮球、足球、电影等等多种类型。常见算法：Softmax、SVM、KNN、决策树。关于Fate的核心概念、单机部署、训练以及预测请参考以下相关文章：《隐私计算FATE-关键概念与单机部署指南》《隐私计算FATE-模型训练》《
一、说明本文分享基于Fate使用横向联邦神经网络算法对多分类的数据进行模型训练，并使用该模型对数据进行多分类预测。二分类算法：是指待预测的label标签的取值只有两种；直白来讲就是每个实例的可能类别只有两种(0或者1)，例如性别只有男或者女；此时的分类算法其实是在构建一个分类线将数据划分为两个类别。多分类算法：是指待预测的label标签的取值可能有多种情况，例如个人爱好可能有篮球、足球、电影等等多种类型。常见算法：Softmax、SVM、KNN、决策树。关于Fate的核心概念、单机部署、训练以及预测请参考以下相关文章：《隐私计算FATE-关键概念与单机部署指南》《隐私计算FATE-模型训练》《
如何判断导数值为零的点的类型当发现训练数据集误差不再下降的时候，不是只有卡在局部最小值的情况，还有另外一种情况是处于鞍点，鞍点位置处虽然其导函数为零，但是其既不是局部最大值也不是局部最小值，如图：因此，我们把局部最小值和鞍点这种点统称为驻点（criticalpoint），但这两种情况是截然不同的，因为如果是局部最小值那么周围都是比该点更大的loos，但是鞍点不一样，周围可能会有更小的loss，因此要认识到如何分辨这两种点。判断导数为0的点是鞍点还是极值点首先需要了解一下泰勒展开式，假设我们在\(\theta=\theta^{`}\)处进行二阶泰勒展开（忽略冗余项），即：\[L(\theta)\
如何判断导数值为零的点的类型当发现训练数据集误差不再下降的时候，不是只有卡在局部最小值的情况，还有另外一种情况是处于鞍点，鞍点位置处虽然其导函数为零，但是其既不是局部最大值也不是局部最小值，如图：因此，我们把局部最小值和鞍点这种点统称为驻点（criticalpoint），但这两种情况是截然不同的，因为如果是局部最小值那么周围都是比该点更大的loos，但是鞍点不一样，周围可能会有更小的loss，因此要认识到如何分辨这两种点。判断导数为0的点是鞍点还是极值点首先需要了解一下泰勒展开式，假设我们在\(\theta=\theta^{`}\)处进行二阶泰勒展开（忽略冗余项），即：\[L(\theta)\
写在最前：写在最前,我把代码和整理的文档放在github上了https://github.com/Leezhen2014/python_deep_learning Forward指的是神经网络推理，forward与感知机相比，多了一个激活函数的模块。因此本章需要实现激活函数，另外也需要重新实现y=w*x+b。本章的顺序如下： 3.1激活函数的实现在感知机中讲到用阈值来切换输出，这样的函数称为“阶跃函数”：一旦输入超出了阈值，就切换输出。阶跃函数也算是一种激励函数。需要注意激励函数应该具有以下数学特性：第一：由于后期训练过程中会对激励函数求导，因此这些函数必须符合数学上的可导。第二：必须为非
写在最前：写在最前,我把代码和整理的文档放在github上了https://github.com/Leezhen2014/python_deep_learning Forward指的是神经网络推理，forward与感知机相比，多了一个激活函数的模块。因此本章需要实现激活函数，另外也需要重新实现y=w*x+b。本章的顺序如下： 3.1激活函数的实现在感知机中讲到用阈值来切换输出，这样的函数称为“阶跃函数”：一旦输入超出了阈值，就切换输出。阶跃函数也算是一种激励函数。需要注意激励函数应该具有以下数学特性：第一：由于后期训练过程中会对激励函数求导，因此这些函数必须符合数学上的可导。第二：必须为非
传送门： https://www.cnblogs.com/greentomlee/p/12314064.htmlgithub: https://github.com/Leezhen2014/python_deep_learning 在第二篇中介绍了用数值微分的形式计算神经网络的梯度，数值微分的形式比较简单也容易实现，但是计算上比较耗时。本章会介绍一种能够较为高效的计算出梯度的方法：基于图的误差反向传播。根据deeplearningfromscratch这本书的介绍，在误差反向传播方法的实现上有两种方法：一种是基于数学式的（第二篇就是利用的这种方法），一种是基于计算图的。这两种方法的本质是一样的
传送门： https://www.cnblogs.com/greentomlee/p/12314064.htmlgithub: https://github.com/Leezhen2014/python_deep_learning 在第二篇中介绍了用数值微分的形式计算神经网络的梯度，数值微分的形式比较简单也容易实现，但是计算上比较耗时。本章会介绍一种能够较为高效的计算出梯度的方法：基于图的误差反向传播。根据deeplearningfromscratch这本书的介绍，在误差反向传播方法的实现上有两种方法：一种是基于数学式的（第二篇就是利用的这种方法），一种是基于计算图的。这两种方法的本质是一样的
假设我们当前要做一个人工智能客服系统，那该系统就需要对用户输入的话语进行辨认，例如用户输入：IwanttoarriveTaipeionNovember2nd那么该系统就能够辨认出来Taipei是目的地，而后面是时间。那么我们可以用一个简单的前向网络来实现这个事情，输出为这个单词属于哪个含义的概率。但这会存在问题，例如输入以下：IwanttoleaveTaipeionNovember2nd同样输入都是Taipei，但是第一个句子是作为目的地，第二个句子是作为出发地，那么普通的前向网络是无法对同一个输出做出不同的输出的。因此就希望此时使用的网络能够具有一定的记忆性，即在看到Taipei之前因为已经
