跪求K99的package - 未名空间MITBBS历史存档

国际科技财经博客移民网络热点娱乐民生时事公众号

Redian新闻

>未名空间

>Biology - 生物学

跪求K99的package

跪求K99的package# Biology - 生物学

i*r2011-03-25 07:03

1 楼

短了点，有点徐公子味道，新创的修仙世界。
小说名称《道门法则》
小说作者八宝饭
小说类型穿越仙侠
该书状态连载
推荐人ID ...
引用/阅读网址
http://www.qidian.com/Book/3333529.aspx
内容简介
三十六天无极，三千世界鸿蒙！
大明，我来了！
道门，我来了！
符诏，我来了！
在统治世俗的道门中一步步迈向权力的高峰，向着飞升天界的目标而去！

S*e2011-03-25 07:03

2 楼

自学些东西，最好向大师请教--几秒可能解决问题。
试了http://machinelearningmastery.com/multi-class-classification-tutorial-keras-deep-learning-library/
在最后加了
model = baseline_model()
model.fit(X, dummy_y, nb_epoch=200, batch_size=5, verbose=1)
pre = model.predict(X)
print(pre)
这个预测的结果是nx3矩阵，是不是那3个数相当于“概率”？怎样判断这一行预测的对？
譬如： [ 9.85160708e-01 1.30239958e-02 1.72271675e-09] 非常接近
【1，0，0】。这可以说就是这一类。
可以下这些我就不知怎么解释了，大牛给小白指点指点？（又想了一想：是不是和【
1，0，0】，【0，1，0】，【0，0，1】中最近的一个，就是那一类？）
6.46205149e-13 4.29476095e-05 2.59178039e-03]
[ 1.10887081e-11 6.37081903e-05 5.10335725e-04]
[ 4.52546334e-11 1.55677757e-04 2.39358633e-03]
[ 4.44239995e-13 3.45774897e-05 1.84414478e-03]
[ 3.24687027e-13 3.47296045e-05 2.60079931e-03]
[ 5.53128550e-12 6.55830445e-05 1.15823851e-03]
[ 5.70672884e-11 1.43745216e-04 1.42968143e-03]
[ 3.64973642e-11 9.18867518e-05 5.07714751e-04]
[ 4.24494901e-12 6.25177563e-05 1.31020322e-03]
[ 1.62505717e-10 1.51019180e-04 5.75214217e-04]

b*82011-03-25 07:03

3 楼

老板建议申请K99,research plan倒是比较清晰,但是其它的不知何从准备着手.跪求高
人的application package or check list.
另外k99和R00的内容是不是得有一定的相关性?
谢谢!!!

g*n2011-03-25 07:03

4 楼

前面有人推过了,有点幽默

e*o2011-03-25 07:03

5 楼

最大可能的那个相当于1，其余0
argmax 是用来干这个的

e*o2011-03-25 07:03

6 楼

http://stackoverflow.com/questions/41569858/keras-model-predict-for-multinomial-logistic-regression
我好人做到底，给你找个例子。

【在 e*******o 的大作中提到】

: 最大可能的那个相当于1，其余0
: argmax 是用来干这个的

S*e2011-03-25 07:03

7 楼

好，谢谢。 Argmax helps.

S*e2011-03-25 07:03

8 楼

在这儿收益良多，再问问，关于model, 上面例子用‘relu' for input layer, '
sigmoid' for output layer.
model.add(Dense(4, input_dim=4, init='normal', activation='relu'))
model.add(Dense(3, init='normal', activation='sigmoid'))
而这儿http://blog.fastforwardlabs.com/2016/02/24/hello-world-in-keras-or-scikit-learn-versus.html 用 sigmoid for input layer, softmax for output layer. 两个结果都不错。但为什么这么选，靠问题/经验？我试试把两个都选为‘sigmoid’，结果差的太远（几乎根本不对）。
另外，http://cs231n.github.io/neural-networks-1/#actfun 说，Never use sigmoid，又给弄糊涂了。原话是“TLDR: “What neuron type should I use?” Use the ReLU non-linearity, be careful with your learning rates and possibly monitor the fraction of “dead” units in a network. If this concerns you, give Leaky ReLU or Maxout a try. Never use sigmoid. Try tanh, but expect it to work worse than ReLU/Maxout.”

K*n2011-03-25 07:03

9 楼

基本上符合这篇 paper 的论述
http://machinelearning.wustl.edu/mlpapers/paper_files/AISTATS2010_GlorotB10.pdf
以后不要再用 sigmoid 了

【在 S*******e 的大作中提到】

: 在这儿收益良多，再问问，关于model, 上面例子用‘relu' for input layer, '
: sigmoid' for output layer.
: model.add(Dense(4, input_dim=4, init='normal', activation='relu'))
: model.add(Dense(3, init='normal', activation='sigmoid'))
: 而这儿http://blog.fastforwardlabs.com/2016/02/24/hello-world-in-keras-or-scikit-learn-versus.html 用 sigmoid for input layer, softmax for output layer. 两个结果都不错。但为什么这么选，靠问题/经验？我试试把两个都选为‘sigmoid’，结果差的太远（几乎根本不对）。
: 另外，http://cs231n.github.io/neural-networks-1/#actfun 说，Never use sigmoid，又给弄糊涂了。原话是“TLDR: “What neuron type should I use?” Use the ReLU non-linearity, be careful with your learning rates and possibly monitor the fraction of “dead” units in a network. If this concerns you, give Leaky ReLU or Maxout a try. Never use sigmoid. Try tanh, but expect it to work worse than ReLU/Maxout.”