Softmax 函式，又被稱為『歸一化指數函數』，基本上是將一組向量（就好比說我們 Machine Learning 最後輸出的預測結果有多個分類，每個分類有著一個分數）映射為每個向量當中的元素都位於 (0, 1) 之間，其實就是代表著每個分類的機率分佈。當然，既然是機率分佈，那麼這個向量的所有元素相加總和應為 1。
Read More »[Machine Learning] softmax 函式介紹與程式實作
今天再次挑戰了不同的資料集（dataset）的分類器。這次的 CIFAR-10 是一個比起 MNIST 手寫辨識來得更難一些的題目。除了圖片的尺寸變成了 32 x 32 之外，CIFAR-10 也不再是單純的灰階值，而是有著 RGB 三原色的圖片了。
Read More »[PyTorch] Getting Start: 訓練 CIFAR-10 資料集的分類模型 ReLU (Rectified Linear Unit) 函式，常被翻譯為『修正線性單元』，是一種神經網路當中常用的 Activation function。被認為具有一定程度的生物原理。（雖然我並不清楚是什麼原理。）
Read More »[Machine Learning] ReLU 函式介紹與程式實作 Sigmoid() 函數簡單來講就是個映射函數，將任何變量（這些先寫成 x）映射到 [0, 1] 之間。通常被用來當作機器學習領域 (Machine Learning) 神經網路的激活函數 (Activation Function)。
Read More »[Machine Learning] Sigmoid 函數介紹與程式實作 使用一個簡單的 Toy Dataset 來訓練一個『分類器』可說是再簡單不過的 Deep Learning 練習。
今天，我要來練習使用 MNIST 手寫數字辨識資料集來使用 PyTorch 搭建一個簡單的分類器。
Read More »[PyTorch] Getting Start: 訓練分類器 —— MNIST 所謂的『神經網路』，便是我們想要進行深度學習所建的『模型架構』。在 PyTorch 官方的教學裡頭，第一句話就明確地闡明了：
『可以使用 torch.nn 來建構神經網路。』
nn 包含了模型層以及一個 forward() 的函式，並且會返回 output。這在之後的程式碼中可以清楚看見。
自動求導的重要性，相信精通 Machine Learning 的大家想必一清二楚吧！我在此只簡單地說明，當然，如果我的說明有誤的那是一點兒也不奇怪的，就請各路大神不吝指導一下我吧。
基本上，建構深度學習模型分成 Forward propagation 以及 Backward propagation 兩部分。
Read More »[PyTorch] Getting Start: 自動求導
Cifar-10 與 MNIST 相同，是一個有著 60000 張圖片的資料集（MNIST 的部份可以參考《使用 CNN 進行 MNIST 的手寫數字辨識 —— by Keras (實戰篇)》，與這篇的程式碼應該是大同小異。）
Read More »[Keras] 使用 CNN 建立 Cifar-10 的分類器 (實戰篇)
Google Colab 的全名為 Google Colaboratory， 顧名思義，是個由 Google 所提供的服務。Colab 最大的優點在於它提供了後台的免費 GPU，雖然有著一天只能使用十二小時的時限、以及訓練太長的模型會被認為是在做加密貨幣的挖掘而被 ban 調 —— 但總體而言，Colab 仍然是手邊沒有 GPU 的人們最適合進行機器學習的平台。
Colab 是一個線上 Python 執行平台，其底層的運作方法與著名的 Jupyter notebook 十分相像。
Read More »如何使用 Google Colab 提供的免費 GPU
Mnist 是一個經典的手寫數字資料集，裡面的數字分別有從 0 到 9，共 10 種數字。今天我們的任務便是使用經典的 Keras 來搭建 CNN 的分類模型，以此來製作一個數字的分類器。
基本上原理的部份我想全部都留在『原理篇』裡面來闡述，今天就直接上 Code 吧！
Read More »[Keras] 使用 CNN 進行 MNIST 的手寫數字辨識
