DeepLearning.ai深度学习课程笔记
  • Introduction
  • 第一门课 神经网络和深度学习(Neural-Networks-and-Deep-Learning)
    • 第一周：深度学习引言(Introduction to Deep Learning)
      • 1.1 神经网络的监督学习(Supervised Learning with Neural Networks)
      • 1.2 为什么神经网络会流行？(Why is Deep Learning taking off?)
    • 第二周：神经网络的编程基础(Basics of Neural Network programming)
      • 2.1 二分类(Binary Classification)
      • 2.2 逻辑回归(Logistic Regression)
      • 2.3 逻辑回归的代价函数（Logistic Regression Cost Function）
      • 2.4 逻辑回归的梯度下降（Logistic Regression Gradient Descent）
      • 2.5 梯度下降的例子(Gradient Descent on m Examples)
      • 2.6 向量化 logistic 回归的梯度输出（Vectorizing Logistic Regression’s Gradient Output）
      • 2.7 （选修）logistic 损失函数的解释（Explanation of logistic regression cost function ）
      • Logistic Regression with a Neural Network mindset 代码
      • lr_utils.py
    • 第三周：浅层神经网络(Shallow neural networks)
      • 3.1 神经网络概述（Neural Network Overview）
      • 3.2 神经网络的表示（Neural Network Representation ）
      • 3.3 计算一个神经网络的输出（Computing a Neural Network's output ）
      • 3.4 多样本向量化（Vectorizing across multiple examples ）
      • 3.5 激活函数（Activation functions）
      • 3.6 为什么需要（ 非线性激活函数？（why need a nonlinear activation function?）
      • 3.7 激活函数的导数（Derivatives of activation functions ）
      • 3.8 神经网络的梯度下降（Gradient descent for neural networks）
      • 3.9 （选修）直观理解反向传播（Backpropagation intuition ）
      • 3.10 随机初始化（Random+Initialization）
      • Planar data classification with one hidden layer
      • planar_utils.py
      • testCases.py
    • 第四周：深层神经网络(Deep Neural Networks)
      • 4.1 深层神经网络（Deep L-layer neural network）
      • 4.2 前向传播和反向传播（Forward and backward propagation）
      • 4.3 深层网络中的前向传播（Forward propagation in a Deep Network ）
      • 4.4 为什么使用深层表示？（Why deep representations?）
      • 4.5 搭建神经网络块（Building blocks of deep neural networks）
      • 4.6 参数 VS 超参数（Parameters vs Hyperparameters）
      • Building your Deep Neural Network Step by Step
      • dnn_utils.py
      • testCases.py
      • Deep Neural Network Application
      • dnn_app_utils.py
  • 第二门课 改善深层神经网络：超参数调试、 正 则 化 以 及 优 化 (Improving Deep Neural Networks:Hyperparameter tuning, Regulariza
    • 第二门课 改善深层神经网络：超参数调试、正则化以及优化(Improving Deep Neural Networks:Hyperparameter tuning, Regularization and
      • 第一周：深度学习的实用层面(Practical aspects of Deep Learning)
        • 1.1 训练，验证，测试集（Train / Dev / Test sets）
        • 1.2 偏差，方差（Bias /Variance）
        • 1.3 机器学习基础（Basic Recipe for Machine Learning）
        • 1.4 正则化（Regularization）
        • 1.5 为什么正则化有利于预防过拟合呢？（Why regularization reduces overfitting?）
        • 1.6 dropout 正则化（Dropout Regularization）
        • 1.7 理解 dropout（Understanding Dropout）
        • 1.8 其他正则化方法（Other regularization methods）
        • 1.9 归一化输入（Normalizing inputs）
        • 1.10 梯度消失/梯度爆炸（Vanishing / Exploding gradients）
        • 1.11 神经网络的权重初始化（Weight Initialization for Deep Networks）
        • 1.12 梯度的数值逼近（Numerical approximation of gradients）
        • 1.13 梯度检验（Gradient checking）
        • 1.14 梯度检验应用的注意事项（Gradient Checking Implementation Notes）
        • Initialization
        • Gradient Checking
        • Regularization
        • reg_utils.py
        • testCases.py
      • 第二周：优化算法 (Optimization algorithms)
        • 2.1 Mini-batch 梯度下降（Mini-batch gradient descent）
        • 2.2 理解 mini-batch 梯度下降法（Understanding mini-batch gradient descent）
        • 2.3 指数加权平均数（Exponentially weighted averages）
        • 2.4 理解指数加权平均数（Understanding exponentially weighted averages ）
        • 2.5 指 数 加 权 平 均 的 偏 差 修 正 （ Bias correction in exponentially weighted averages ）
        • 2.6 动量梯度下降法（Gradient descent with Momentum ）
        • 2.7 RMSprop( root mean square prop)
        • 2.8 Adam 优化算法(Adam optimization algorithm)
        • 2.9 学习率衰减(Learning rate decay)
        • 2.10 局部最优的问题(The problem of local optima)
        • Optimization
        • opt_utils.py
        • testCases.py
      • 第 三 周 超 参 数 调 试 、 Batch 正 则 化 和 程 序 框 架 （Hyperparameter tuning）
        • 3.1 调试处理（Tuning process）
        • 3.2 为超参数选择合适的范围（Using an appropriate scale to pick hyperparameters）
        • 3.3 超参数训练的实践： Pandas VS Caviar（Hyperparameters tuning in practice: Pandas vs. Caviar）
        • 3.4 归一化网络的激活函数（ Normalizing activations in a network）
        • 3.5 将 Batch Norm 拟合进神经网络（Fitting Batch Norm into a neural network）
        • 3.6 Batch Norm 为什么奏效？（Why does Batch Norm work?）
        • 3.7 测试时的 Batch Norm（Batch Norm at test time）
        • 3.8 Softmax 回归（Softmax regression）
        • 3.9 训练一个 Softmax 分类器（Training a Softmax classifier）
        • tensorflow tutorial
        • improv_utils.py
        • tf_utils.py
  • 第三门课 结构化机器学习项目（Structuring Machine Learning Projects）
    • 第三门课 结构化机器学习项目（Structuring Machine Learning Projects）
      • 第一周 机器学习（ML）策略（1）（ML strategy（1））
        • 1.1 为什么是 ML 策略？（Why ML Strategy?）
        • 1.2 正交化（Orthogonalization）
        • 1.3 单一数字评估指标（Single number evaluation metric）
        • 1.4 满足和优化指标（Satisficing and optimizing metrics）
        • 1.5 训练/开发/测试集划分（Train/dev/test distributions）
        • 1.6 开发集和测试集的大小（Size of dev and test sets）
        • 1.7 什么时候该改变开发/测试集和指标？（When to change dev/test sets and metrics）
        • 1.8 为什么是人的表现？（ Why human-level performance?）
        • 1.9 可避免偏差（Avoidable bias）
        • 1.10 理解人的表现（Understanding human-level performance）
        • 1.11 超过人的表现（Surpassing human- level performance）
        • 1.12 改善你的模型的表现（Improving your model performance）
      • 第二周：机器学习策略（2）(ML Strategy (2))
        • 2.1 进行误差分析（Carrying out error analysis）
        • 2.2 清楚标注错误的数据（Cleaning up Incorrectly labeled data）
        • 2.3 快速搭建你的第一个系统，并进行迭代（Build your first system quickly, then iterate）
        • 2.4 在不同的划分上进行训练并测试（Training and testing on different distributions）
        • 2.5 不匹配数据划分的偏差和方差（Bias and Variance with mismatched data distributions）
        • 2.6 定位数据不匹配（Addressing data mismatch）
        • 2.7 迁移学习（Transfer learning）
        • 2.8 多任务学习（Multi-task learning）
        • 2.9 什么是端到端的深度学习？（What is end-to-end deep learning?）
        • 2.10 是否要使用端到端的深度学习？（Whether to use end-to-end learning?）
  • 第四门课 卷积神经网络（Convolutional Neural Networks）
    • 第四门课 卷积神经网络（Convolutional Neural Networks）
      • 第一周 卷积神经网络（Foundations of Convolutional Neural Networks）
        • 1.1 计算机视觉（Computer vision）
        • 1.2 边缘检测示例（Edge detection example）
        • 1.3 更多边缘检测内容（More edge detection）
        • 1.4 Padding
        • 1.5 卷积步长（Strided convolutions）
        • 1.6 三维卷积（Convolutions over volumes）
        • 1.7 单层卷积网络（One layer of a convolutional network）
        • 1.8 简单卷积网络示例（A simple convolution network example）
        • 1.9 池化层（Pooling layers）
        • 1.10 卷积神经网络示例（Convolutional neural network example）
        • 1.11 为什么使用卷积？（Why convolutions?）
        • Convolution model Step by Step
        • Convolutional Neural Networks: Application
        • cnn_utils
      • 第二周 深度卷积网络：实例探究（Deep convolutional models: case studies）
        • 2.1 经典网络（Classic networks）
        • 2.2 残差网络（Residual Networks (ResNets)）
        • 2.3 残差网络为什么有用？（Why ResNets work?）
        • 2.4 网络中的网络以及 1×1 卷积（Network in Network and 1×1 convolutions）
        • 2.5 谷歌 Inception 网络简介（Inception network motivation）
        • 2.6 Inception 网络（Inception network）
        • 2.7 迁移学习（Transfer Learning）
        • 2.8 数据扩充（Data augmentation）
        • 2.9 计算机视觉现状（The state of computer vision）
        • Residual Networks
        • Keras tutorial - the Happy House
        • kt_utils.py
      • 第三周 目标检测（Object detection）
        • 3.1 目标定位（Object localization）
        • 3.2 特征点检测（Landmark detection）
        • 3.3 目标检测（Object detection）
        • 3.4 卷积的滑动窗口实现（Convolutional implementation of sliding windows）
        • 3.5 Bounding Box预测（Bounding box predictions）
        • 3.6 交并比（Intersection over union）
        • 3.7 非极大值抑制（Non-max suppression）
        • 3.8 Anchor Boxes
        • 3.9 YOLO 算法（Putting it together: YOLO algorithm）
        • 3.10 候选区域（选修）（Region proposals (Optional)）
        • Autonomous driving application - Car detection
        • yolo_utils.py
      • 第四周 特殊应用：人脸识别和神经风格转换（Special applications: Face recognition &Neural style transfer）
        • 4.1 什么是人脸识别？（What is face recognition?）
        • 4.2 One-Shot学习（One-shot learning）
        • 4.3 Siamese 网络（Siamese network）
        • 4.4 Triplet 损失（Triplet 损失）
        • 4.5 面部验证与二分类（Face verification and binary classification）
        • 4.6 什么是深度卷积网络？（What are deep ConvNets learning?）
        • 4.7 代价函数（Cost function）
        • 4.8 内容代价函数（Content cost function）
        • 4.9 风格代价函数（Style cost function）
        • 4.10 一维到三维推广（1D and 3D generalizations of models）
        • Art Generation with Neural Style Transfer
        • nst_utils.py
        • Face Recognition for the Happy House
        • fr_utils.py
        • inception_blocks.py
  • 第五门课 序列模型(Sequence Models)
    • 第五门课 序列模型(Sequence Models)
      • 第一周 循环序列模型（Recurrent Neural Networks）
        • 1.1 为什么选择序列模型？（Why Sequence Models?）
        • 1.2 数学符号（Notation）
        • 1.3 循环神经网络模型（Recurrent Neural Network Model）
        • 1.4 通过时间的反向传播（Backpropagation through time）
        • 1.5 不同类型的循环神经网络（Different types of RNNs）
        • 1.6 语言模型和序列生成（Language model and sequence generation）
        • 1.7 对新序列采样（Sampling novel sequences）
        • 1.8 循环神经网络的梯度消失（Vanishing gradients with RNNs）
        • 1.9 GRU单元（Gated Recurrent Unit（GRU））
        • 1.10 长短期记忆（LSTM（long short term memory）unit）
        • 1.11 双向循环神经网络（Bidirectional RNN）
        • 1.12 深层循环神经网络（Deep RNNs）
        • Building your Recurrent Neural Network
        • rnn_utils.py
        • Dinosaurus Island -- Character level language model final
        • utils.py
        • shakespeare_utils.py
        • Improvise a Jazz Solo with an LSTM Network
      • 第二周 自然语言处理与词嵌入（Natural Language Processing and Word Embeddings）
        • 2.1 词汇表征（Word Representation）
        • 2.2 使用词嵌入（Using Word Embeddings）
        • 2.3 词嵌入的特性（Properties of Word Embeddings）
        • 2.4 嵌入矩阵（Embedding Matrix）
        • 2.5 学习词嵌入（Learning Word Embeddings）
        • 2.6 Word2Vec
        • 2.7 负采样（Negative Sampling）
        • 2.8 GloVe 词向量（GloVe Word Vectors）
        • 2.9 情感分类（Sentiment Classification）
        • 2.10 词嵌入除偏（Debiasing Word Embeddings）
        • Operations on word vectors
        • w2v_utils.py
        • Emojify
        • emo_utils.py
      • 第三周 序列模型和注意力机制（Sequence models & Attention mechanism）
        • 3.1 基础模型（Basic Models）
        • 3.2 选择最可能的句子（Picking the most likely sentence）
        • 3.3 集束搜索（Beam Search）
        • 3.4 改进集束搜索（Refinements to Beam Search）
        • 3.5 集束搜索的误差分析（Error analysis in beam search）
        • 3.6 Bleu 得分（选修）（Bleu Score (optional)）
        • 3.7 注意力模型直观理解（Attention Model Intuition）
        • 3.8注意力模型（Attention Model）
        • 3.9语音识别（Speech recognition）
        • 3.10触发字检测（Trigger Word Detection）
        • Neural machine translation with attention
        • nmt_utils.py
        • Trigger word detection
        • td_utils.py
Powered by GitBook
On this page
  • 基于词汇的RNN模型
  • 基于字符的RNN结构

Was this helpful?

  1. 第五门课 序列模型(Sequence Models)
  2. 第五门课 序列模型(Sequence Models)
  3. 第一周 循环序列模型（Recurrent Neural Networks）

1.7 对新序列采样（Sampling novel sequences）

Previous1.6 语言模型和序列生成（Language model and sequence generation）Next1.8 循环神经网络的梯度消失（Vanishing gradients with RNNs）

Last updated 6 years ago

Was this helpful?

基于词汇的RNN模型

序列模型模拟了任意特定单词序列的概率，要做的是对这些概率分布进行采样来生成一个新的单词序列。编号1所示的网络已经被上方所展示的结构训练过，编号2是进行采样

第一步要做的是对想要模型生成的第一个词进行采样，输入x<1>=0x^{<1>} =0x<1>=0，a<0>=0a^{<0>} =0a<0>=0，第一个时间步得到的是所有可能的输出，是经过softmax层后得到的概率，然后根据这个softmax的分布进行随机采样。对这个向量使用np.random.choice，来根据向量中这些概率的分布进行采样，就能对第一个词进行采样

然后继续下一个时间步，y^<1>\hat y^{<1>}y^​<1>作为输入（编号4），然后softmax层就会预测y^<2>\hat y^{<2>}y^​<2>是什么。假如第一个词进行抽样后得到的是The，现在要计算出在第一词是The的情况下，第二个词应该是什么（编号5），然后再用采样函数来对y^<2>\hat y^{<2>}y^​<2>进行采样

即无论得到什么样的用one-hot码表示的选择结果，都把它传递到下一个时间步，然后进行采样，直到最后一个时间步

怎样知道一个句子结束：

  • 如果代表句子结尾的标识在字典中，可以一直进行采样直到得到EOS标识（编号6），代表着已经抵达结尾，可以停止采样

  • 如果字典中没有这个词，可以决定从20个或100个或其他个单词进行采样，然后一直将采样进行下去直到达到所设定的时间步。不过这种过程有时候会产生一些未知标识（编号7），如果要确保算法不会输出这种标识，要做的是拒绝采样过程中产生任何未知的标识，一旦出现就继续在剩下的词中进行重采样，直到得到一个不是未知标识的词

这就是如何从RNN语言模型中生成一个随机选择的句子。以上所建立的是基于词汇的RNN模型，意思就是字典中的词都是英语单词（下图编号1）

基于字符的RNN结构

用以上字符组成字典（上图编号2所示）

序列y^<1>\hat y^{<1>}y^​<1>，y^<2>\hat y^{<2>}y^​<2>，y^<3>\hat y^{<3>}y^​<3>在训练数据中是单独的字符，对于“Cats average 15 hours of sleep a day.”，C是y^<1>\hat y^{<1>}y^​<1>，a就是y^<2>\hat y^{<2>}y^​<2>，t就是y^<3>\hat y^{<3>}y^​<3>等等

优点：

不必担心会出现未知的标识，基于字符的语言模型会将Mau这样的序列也视为可能性非零的序列。而基于词汇的语言模型，如果Mau不在字典中，只能当作未知标识UNK

缺点：

最后会得到太多太长的序列，基于字符的语言模型在捕捉句子中的依赖关系也就是句子较前部分如何影响较后部分不如基于词汇的语言模型那样可以捕捉长范围的关系，并且基于字符的语言模型训练起来计算成本比较高