目前正在涉及数据集变量之间相关性探索的课题，在原有基于统计学的皮尔逊、斯皮尔曼的基础上，正在思考，机器学习、深度学习可以实现高效的结果预测，那么其是否也可以用在变量相关性的探索当中耐人寻味。这篇文章是我无意之间从网上看到…

最近”Sorry 有钱真的能为所欲为”GIF突然爆红网络，那种贱贱的表情，可以给人暴击 于是产生念头，自己做一个Sorry GIF的字幕合成器，嘿嘿 由于时间仓促+智商有限，我仅仅做了一个简易的版…

坑1： [crayon-663b8770486bb632129614/] 解决办法： 在main.py中把 [crayon-663b8770486bf784108301/] 修改为 [crayon-663b8770486…

实例化DCGAN [crayon-663b8770488a5502976975/] batch_size 网络迭代同时处理的图像数量，共同决定网络该怎么更新 c_dim 输入图像的通道数，彩色图为3 dataset 数据…

DCGAN的网络架构图 生成网络： 判别网络 生成网络架构解读 DCGAN生成网络的目的是使100维随机初始化的向量转换成64*64*3的真实数据 1——>2 全连接层、reshape 由于输入的是100维的向量，…

在前面三篇博文中，我们已经完成了三个网络的构建、损失函数的构造 接下来，就是激动人心的训练时刻了 训练预先判别D_pre网络 [crayon-663b877048b04788654021/] 首先确定D_pre的训练次数…

在前面两篇中，我们完成了生成网络和判别网络的构造，构造完成之后，我们构造一个损失函数，使得最终两个网络能够相互打架，相互进步 我们希望，对于真实数据，通过判别网络D后，能够认定为1（真实），而对于生成的数据，我们则希望其…

在前一篇中，我们定义了一个预先判别网络D_pre，从而得到了判别网络D的初始化权重wb，使得判别网络更精准。 在这一篇中，我们将构造一个生成网络模型，用于生成新的数据 生成网络构造 [crayon-663b8770492…

GAN的目的 简而言之，在GAN中同时存在生成网络和判别网络两个神经网络，生成网络用于生成可以以假乱真新的数据，而判别网络用于判断所给的数据是否是真的数据。 而在GAN中，生成网络的目的是让判别网络认为其生成的数据是真实…

机器学习本质上就是一种对问题真实模型的逼近（我们选择一个我们认为比较好的近似模型，这个近似模型就叫做一个假设），但毫无疑问，真实模型一定是不知道的（如果知道了，我们干吗还要机器学习？直接用真实模型解决问题不就可以了？对吧…