Questions tagged «deep-learning»

我正在研究使用频谱图对声音（例如动物的声音）进行分类的可能性。这个想法是使用深层卷积神经网络识别光谱图中的片段并输出一个（或多个）类标签。这不是一个新主意（例如，参见鲸鱼声音分类或音乐风格识别）。 我面临的问题是我有不同长度的声音文件，因此有不同大小的声谱图。到目前为止，我所见过的每种方法都使用固定大小的声音样本，但我不能这样做，因为我的声音文件可能长达10秒或2分钟。 例如，在开头有鸟声，在结尾有青蛙声（输出应为“ Bird，Frog”）。我当前的解决方案是向神经网络添加一个时间成分（创建更多的递归神经网络），但是我想暂时保持简单。有任何想法，链接，教程...吗？

12 deep-learning  multilabel-classification  audio-recognition 

是否有关于我应使用的LSTM电池的最小，最大和“合理”数量的经验法则（或实际规则）？具体来说，我与TensorFlow和property 有关的BasicLSTMCell有关num_units。 请假设我有以下定义的分类问题： t - number of time steps n - length of input vector in each time step m - length of output vector (number of classes) i - number of training examples 例如，训练示例的数量应该大于： 4*((n+1)*m + m*m)*c c单元数在哪里？我基于此：如何计算LSTM网络的参数数量？据我了解，这应该给出参数的总数，该总数应少于训练示例的数量。

12 rnn  machine-learning  r  predictive-modeling  random-forest  python  language-model  sentiment-analysis  encoding  machine-learning  deep-learning  neural-network  dataset  caffe  classification  xgboost  multiclass-classification  unbalanced-classes  time-series  descriptive-statistics  python  r  clustering  machine-learning  python  deep-learning  tensorflow  machine-learning  python  predictive-modeling  probability  scikit-learn  svm  machine-learning  python  classification  gradient-descent  regression  research  python  neural-network  deep-learning  convnet  keras  python  tensorflow  machine-learning  deep-learning  tensorflow  python  r  bigdata  visualization  rstudio  pandas  pyspark  dataset  time-series  multilabel-classification  machine-learning  neural-network  ensemble-modeling  kaggle  machine-learning  linear-regression  cnn  convnet  machine-learning  tensorflow  association-rules  machine-learning  predictive-modeling  training  model-selection  neural-network  keras  deep-learning  deep-learning  convnet  image-classification  predictive-modeling  prediction  machine-learning  python  classification  predictive-modeling  scikit-learn  machine-learning  python  random-forest  sampling  training  recommender-system  books  python  neural-network  nlp  deep-learning  tensorflow  python  matlab  information-retrieval  search  search-engine  deep-learning  convnet  keras  machine-learning  python  cross-validation  sampling  machine-learning 

到目前为止，在计算机视觉或自然语言处理中有许多有趣的深度学习应用。 在其他更传统的领域中情况如何？例如，我有传统的社会人口统计学变量以及可能的大量实验室测量结果，并且希望预测某种疾病。如果我有很多观察，这将是深度学习应用程序吗？我认为如何在这里构建网络，我认为所有花哨的层（卷积层等）都没有必要？只是使它更深？ 在我的特定数据集上，我尝试了一些常见的机器学习算法，例如随机森林，gbm等，但在准确性方面存在混合结果。我在图像识别方面的深度学习经验有限。

12 deep-learning 

我目前正在使用tensorflow上的课程，他们使用tf.one_hot（indices，depth）。现在我不明白这些索引如何变成二进制序列。 有人可以向我解释确切的过程吗？？？

11 machine-learning  python  neural-network  deep-learning  tensorflow 

我正在为一个应用程序制作原型，我需要一个语言模型来计算一些生成的句子的困惑度。 我可以随时使用经过训练的python语言模型吗？简单的东西 model = LanguageModel('en') p1 = model.perplexity('This is a well constructed sentence') p2 = model.perplexity('Bunny lamp robert junior pancake') assert p1 < p2 我看过一些框架，但找不到我想要的。我知道我可以使用类似： from nltk.model.ngram import NgramModel lm = NgramModel(3, brown.words(categories='news')) 这在Brown Corpus上使用了很好的图林概率分布，但是我正在一些大型数据集（例如1b单词数据集）上寻找精心设计的模型。我可以真正相信一般领域的结果（不仅是新闻）

11 python  nlp  language-model  r  statistics  linear-regression  machine-learning  classification  random-forest  xgboost  python  sampling  data-mining  orange  predictive-modeling  recommender-system  statistics  dimensionality-reduction  pca  machine-learning  python  deep-learning  keras  reinforcement-learning  neural-network  image-classification  r  dplyr  deep-learning  keras  tensorflow  lstm  dropout  machine-learning  sampling  categorical-data  data-imputation  machine-learning  deep-learning  machine-learning-model  dropout  deep-network  pandas  data-cleaning  data-science-model  aggregation  python  neural-network  reinforcement-learning  policy-gradients  r  dataframe  dataset  statistics  prediction  forecasting  r  k-means  python  scikit-learn  labels  python  orange  cloud-computing  machine-learning  neural-network  deep-learning  rnn  recurrent-neural-net  logistic-regression  missing-data  deep-learning  autoencoder  apache-hadoop  time-series  data  preprocessing  classification  predictive-modeling  time-series  machine-learning  python  feature-selection  autoencoder  deep-learning  keras  tensorflow  lstm  word-embeddings  predictive-modeling  prediction  machine-learning-model  machine-learning  classification  binary  theory  machine-learning  neural-network  time-series  lstm  rnn  neural-network  deep-learning  keras  tensorflow  convnet  computer-vision 

你会如何优化一个预先训练 neural network将它应用到一个单独的问题？您是否将更多层添加到预训练模型中并在数据集上进行测试？ 例如，如果任务是使用CNN对墙纸组进行分类，那么我敢肯定，即使是猫和狗的图像分类器，也无法直接对经过图像猫和狗训练的预训练网络进行分类。

11 neural-network  deep-learning  classification  convnet 

我已经多次分析过一个数据集，在该数据集上我实际上无法进行任何分类。为了查看是否可以得到分类器，我通常使用以下步骤： 根据数值生成标签的箱形图。 将维数减少到2或3，以查看类是否可分离，有时也尝试使用LDA。 强制尝试适合SVM和随机森林，并查看特征的重要性，以查看特征是否有意义。 尝试更改类和欠采样和过采样等技术的平衡，以检查类不平衡是否可能成为问题。 我可以想到很多其他方法，但是还没有尝试过。有时我知道这些功能不好，并且与我们试图预测的标签完全无关。然后，我根据业务直觉结束练习，得出结论，我们需要更好的功能或完全不同的标签。 我的问题是数据科学家如何报告无法使用这些功能进行分类。是否有任何统计方法可以报告此问题或首先将数据拟合为不同算法，然后查看验证指标是最佳选择？

11 machine-learning  classification  deep-learning  class-imbalance  bayes-error 

目前，这两种卷积运算在深度学习中非常常见。 我在本文中了解了膨胀的卷积层：WAVENET：原始音频的生成模型 和反卷积在本文中：用于语义分割的完全卷积网络 两者似乎都对图像进行了高采样，但是有什么区别？

11 machine-learning  deep-learning  convnet  computer-vision  convolution 

我正在研究word2vec gensim模型，发现它真的很有趣。我对找到一个未知/看不见的单词进行模型检查很感兴趣，它将如何从训练后的模型中获得相似的术语。 这可能吗？可以对word2vec进行调整吗？或者，训练语料库需要具有我想找到相似之处的所有单词。

11 nlp  deep-learning  word-embeddings  unsupervised-learning 

我试图找出CNN需要多少权重和偏见。 假设我有一个（3，32，32）图像，并想应用（32，5，5）滤镜。对于每个功能图，我有5x5的权重，所以我应该有3 x（5x5）x 32的参数。现在，我需要添加偏见。我相信我只有（3 x（5x5）+ 1）x 32个参数，因此所有颜色（RGB）的偏差都一样吗？ 它是否正确？当我使用不同的权重时，是否在每个图像的深度（在本例中为3）上保持相同的偏差？这是为什么？

11 deep-learning  convnet  backpropagation 

我是深度学习的新手，我对了解什么是LSTM和BiLSTM以及何时使用它们（主要应用领域）特别感兴趣。为什么LSTM和BILSTM比RNN更受欢迎？ 我们可以在无人监督的问题中使用这些深度学习架构吗？

11 machine-learning  deep-learning  rnn  lstm 

我对“机器学习”和“深度学习”这两个术语之间的区别感到困惑。我已经用Google搜索并阅读了许多文章，但是对我来说仍然不是很清楚。 Tom Mitchell对机器学习的一个已知定义是： 据说一个计算机程序可以从经验E中学习有关某类任务T和性能度量P的信息，如果计算机对T中任务的性能（由P度量）随经验E的提高而有所提高。 如果我将猫和狗分类为taks T的图像分类问题，从这个定义中我了解到，如果我给ML算法提供一堆狗和猫的图像（经验E），则ML算法可以学习如何区分新图像是狗还是猫（前提是性能指标P定义明确）。 然后是深度学习。我了解深度学习是机器学习的一部分，并且上述定义成立。任务T的性能随经验E的提高而提高。到目前为止一切都很好。 该博客指出，机器学习和深度学习之间是有区别的。根据Adil的不同，在（传统）机器学习中，功能必须是手工制作的，而在深度学习中，功能是必须学习的。下图阐明了他的说法。 我对（传统）机器学习中的功能必须手工制作感到困惑。根据汤姆·米切尔（Tom Mitchell）的上述定义，我认为可以从经验E和性能P了解这些功能。机器学习还可以学到什么？ 在深度学习中，我了解到，根据经验，您将学习功能以及它们之间的相互关系以提高性能。我是否可以得出结论，在机器学习中功能必须是手工制作的，所学到的是功能的组合？还是我想念其他东西？

11 machine-learning  deep-learning 

已关闭。这个问题需要更加集中。它当前不接受答案。 想改善这个问题吗？更新问题，使其仅通过编辑此帖子来关注一个问题。 5年前关闭。 似乎大多数语言都具有一定数量的科学计算库。 Python有 Scipy Rust 有 SciRust C++有几个包括ViennaCL和Armadillo Java具有Java Numerics和Colt其他几个 且不说像语言R和Julia明确的科学计算而设计。 有这么多种选择，您如何选择适合任务的最佳语言？另外，哪种语言的性能最高？Python并且R似乎在该领域具有最大的吸引力，但从逻辑上讲，编译语言似乎是一个更好的选择。会有什么表现胜过Fortran？此外编译语言往往有GPU加速，而解释性语言如R并Python没有。选择一种语言时应该考虑什么？哪些语言可以在效用和性能之间取得最佳平衡？还有我错过的具有重要科学计算资源的语言吗？

10 efficiency  statistics  tools  knowledge-base  machine-learning  neural-network  deep-learning  optimization  hyperparameter  machine-learning  time-series  categorical-data  logistic-regression  python  visualization  bigdata  efficiency  classification  binary  svm  random-forest  logistic-regression  data-mining  sql  experiments  bigdata  efficiency  performance  scalability  distributed  bigdata  nlp  statistics  education  knowledge-base  definitions  machine-learning  recommender-system  evaluation  efficiency  algorithms  parameter  efficiency  scalability  sql  statistics  visualization  knowledge-base  education  machine-learning  r  python  r  text-mining  sentiment-analysis  machine-learning  machine-learning  python  neural-network  statistics  reference-request  machine-learning  data-mining  python  classification  data-mining  bigdata  usecase  apache-hadoop  map-reduce  aws  education  feature-selection  machine-learning  machine-learning  sports  data-formats  hierarchical-data-format  bigdata  apache-hadoop  bigdata  apache-hadoop  python  visualization  knowledge-base  classification  confusion-matrix  accuracy  bigdata  apache-hadoop  bigdata  efficiency  apache-hadoop  distributed  machine-translation  nlp  metadata  data-cleaning  text-mining  python  pandas  machine-learning  python  pandas  scikit-learn  bigdata  machine-learning  databases  clustering  data-mining  recommender-system 

我目前正在训练神经网络，我无法决定使用哪种方法来实现我的“早期停止”标准：验证损失或在验证集上计算出的诸如准确性/ f1score / auc /之类的指标。 在我的研究中，我发现捍卫这两种观点的文章。Keras似乎默认不接受验证损失，但是对于相反的方法，我也遇到了令人信服的答案（例如here）。 是否有人指示何时最好使用验证损失以及何时使用特定指标？

10 machine-learning  neural-network  deep-learning  classification 

我正在尝试构建用于对ASL（美国手语）手势进行分类的手势识别系统，因此我的输入应该是来自摄像机或视频文件的帧序列，然后它检测到该序列并将其映射到对应的帧课堂（睡眠，帮助，饮食，跑步等） 事情是我已经建立了一个类似的系统，但是对于静态图像（不包括运动），它仅在构建CNN是直截了当的任务时才用于翻译字母，这是有用的，因为手不会动太多，并且数据集结构也很容易管理，因为我正在使用keras，也许仍然打算这样做（每个文件夹都包含一组用于特定符号的图像，并且文件夹的名称是该符号的类名，例如：A，B，C ，..） 我的问题是，如何组织我的数据集以便能够将其输入到keras中的RNN中，以及应使用哪些特定函数有效地训练我的模型和任何必要的参数，有些人建议使用TimeDistributed类，但我不这样做对如何使用它有利于我有一个清晰的想法，并考虑到网络中每一层的输入形状。 同样考虑到我的数据集将由图像组成，我可能需要一个卷积层，将conv层组合到LSTM层中是怎么可行的（我的意思是代码）。 例如，我想象我的数据集是这样的 名为“运行”的文件夹包含3个文件夹1、2和3，每个文件夹对应于其序列中的框架 所以RUN_1将包含一些图像集的第一帧，RUN_2第二帧和Run_3第三，我的模型的目标是这个顺序输出字的培训运行。

10 neural-network  deep-learning  keras  rnn  lstm