Image from unsplash.com by @Jason_xj 之前的文章我们介绍了 RNN 循环网络，并用循环网络成功地预测了牛奶产量。这篇文章我们继续使用 RNN 以及 LSTM 和 GRU 处理分类问题。我们使用的是 Keras 自带的数据集——路透社新闻分类问题。 关注微信公众号获取源代码（二维码见文末） 1. RNN 回顾 与卷积神经网络处理空间局部相关性数据不同，循环网络主要用于处理时间序列

image from unsplash.com by Tara Hegerty 之前的文章介绍过如何在 Keras 中快速调用 Tensorboard 这个可视化工具，这篇文章我们再深入探讨一下 Tensorboard 在T Tensorflow 2.0 下如何使用。 本文源代码请关注微信公众号(二维码见文末)获取 1. Tensorboard 工作原理 简单来说，tensorboard 就是通过监听定目录下的

Image from unsplash.com by Adrian Cuj 前面的文章我们讨论了机器学习的各种问题，但是还没有认真讨论一下数据加载的问题。作为机器学习的第一步，如何正确和快速地加载数据以及预处理对于机器学习的项目成败是至关重要的。 我们已经很熟悉用 pandas.read_csv 来读取csv文件数据，然后用其内建函数或借助 numpy 和 scikit-learn

image from unsplash by Zhang Kenny 前面的几篇文章从线性回归，到手写数字识别再到预测牛奶产量，我们用 Tensorflow 2.0 与 Keras 结合完成了全链接神经网络，卷积神经网络以及循环神经网络的搭建和训练。那 Tensorflow 2.0 和 Keras 到底是什么关系，我们应该如何选择和搭配二者来完成自己的项目呢？这篇文章就来探讨一下这个问题。 1.

前面两篇文章我们通过线性回归和 MINST 手写识别的项目，学习了如何使用 Tensorflow 2.0 解决预测和分类的问题。同时也回顾了神经网络以及 CNN 的套路。这篇文章我们同样通过 RNN 的实例再次巩固一下 Tensorflow 2.0 的使用方法。 1. Keras 方法回顾 如下图所示，数据记录了1962年到1975年一共14年每个月牛奶的产量。

Picture from unsplash by Kari Shea 之前文章我提到过，我办公生活的主力电脑是一台用了7年多的 Macbook Pro，2012年购买至今从来没有出过任何问题，一直在兢兢业业为我工作，直到... 前天升级了最新版的 系统 Catalina，没用多久就出问题了，不停地“五国”和重启。 一般来说，苹果新出的系统我都不会第一时间升级，因为新系统必然会有很多

上篇文章我们用线性回归的项目快速入门了 Tensorflow 2.0 ，本文我们继续深入研究 ，使用 Keras 搭建模型配合 Tensorflow 2.0 解决线性回归和分类问题。 全部代码，请见我的github repo 1. 线性回归回顾 在 Tensorflow 2.0 中我们使用tf.GradientTape()记录前向传播计算(Forward Propagation)，然后利用

两个首相辞职，脱欧协议连续被议会拒绝。新任首相昏招频出，竟然”欺骗”女王，利用王权关闭议会。 最高法院也被卷进来了，判决首相关闭议会非法。鲍里斯会是英国历史上最短命的首相吗？脱欧会被反转吗？继续关注脱欧连续剧……

随着 Tensorflow 2.0 正式版发布的日期越来越近，我们应该做好准备忘记 1.0 版本中那些反人类的 静态 Graph 和 Session，拥抱新版本的各种易用简单的新特性。 我们之前的文章介绍了 Tensorflow 的 Eager 模式，Tensorflow 2.0 默认就是在 Eager 模式下运行的，所以 Eager 模式下可以直接打印出运算结果以及与 numpy

自动驾驶是机器学习的一个重要的应用领域，作为普通学习者，我们是否可以运用自己学到的机器学习方法训练自动驾驶模型，完成自动驾驶的任务呢？是否需要一辆真实的汽车和真实的马路环境呢？ 对于普通学习者来说，我们当然没有必要去驾驶真实的汽车。使用模拟器可以大大降低自动驾驶研究的门槛，这篇文章我们就简单地介绍一下 Carla 这个开源的用于自动驾驶研究的开源模拟器。 1. CARLA 简介 Carla

Image from unsplash.com by helloquence 前面的文章我们介绍了 Q-learning, DQN 等方法都是基于价值的强化学习方法，今天我们介绍的 Policy Gradient 方法是基于策略的强化学习方法。该方法的理论部分已经介绍过了，这里就不赘述了，直接上手项目。 本文的全部代码可在我的 github repo 中查看 1. 监督学习回顾 为了更好地理解 Policy

image from unsplash by Gábor Juhász 迁移学习即利用已有的知识来学习新的知识，与人类类似，比如你学会了用笔画画，也就可以学习用笔来画画，并不用从头学习握笔的姿势。对于机器学习来说，可以用现有的已经经过训练的模型，来训练我们自己的模型，并没有必要从头训练。 以图像识别的神经网络模型为例，我们可以使用已经在 Image Net

上一篇文章介绍了 DQN 以及如何用 Keras 一步一步搭建 DQN 模型，这篇文章我们来介绍一下 DQN 的改进算法：Double DQN。 1. DQN 的缺点 DQN 有两个神经网络: Prediction 网络 和 Target 网络。其中 Prediction 网络是用来训练的网络，参数一直在更新，Target 网络更新会相对滞后。我们在训练的时候使用 Target 网络 q(s')

前面已经有好几篇文章介绍了DQN的理论了，这里就不在赘述了，直接用 Keras 进行项目实战。 源代码请查看我的repo 1. 环境参数设定 gym 的环境参数设定与 Q-learning 类似，我们这里用 MountainCar 环境为例。在DQN中需要设定的是用于记忆回放的 replay_memory，以及其大小 REPLAY_MEMORY_SIZE。MIN_REPLAY_MEMORY_SIZE

image from unsplash.com by Pietro De Grandi 上篇文章我们用强化学习的方法玩了小车爬山，平衡车的游戏。两个游戏有一个共同点，即动作空间(Action Space) 是非连续的。也就是说只能控制动作 (Action) 方向，无法控制动作大小。这篇文章我们就来看看动作空间连续的情况，用Q-learning 该如何处理。 完整代码请见： 1. 环境简介 同样是小车爬山与

Image from unsplash.com by Ferdinand Stöhr 前文我们讲了如何用Q-learning 和 SARSA 玩推小车上山的游戏，这篇文章我们探讨一下如何完成Carpole平衡杆的游戏。 同样的，为了方便与读者交流，所有的代码都放在了这里： 1. 环境分析 关于cartPole 游戏的介绍参见之前这篇文章，这里就不赘述了。通过阅读官方文档，Open AI 的 CartPole

Image from unsplash.com by Jonatan Pie 上一篇文章我们介绍了用 Q-learning 的算法完成了小车爬坡上山的游戏，这篇文章我们来讲讲如何用 SARSA 算法完成同样挑战。 1. Q-Learning 和 SARSA 异同 Q - Learning 和 SARSA 有很多相似之处，他们均属于单步Temporal Difference

Image from unsplash.com by Brandon Wallace 之前的文章结合理论和实践熟悉了 Q-Learning 的经典算法，这篇文章我们基于 Open AI 的经典 MountainCar 环境。用 python 代码实现 Q-Learning 算法，完成小车爬坡上山的挑战。 同样的，为了方便与读者交流，所有的代码都放在了这里： 1. Gym 环境初始化 要熟悉

Image source from unsplash by Timothy L Brock 上一篇文章介绍了如何在 Keras 中调用 Tensorboard。这篇文章就来谈谈如何用 Tensorboard 帮助模型调参。 代码repo见这里

Tensorboard 是 Tensorflow 中的可视化工具，使用 Tensorboard 不仅可以查看计算图谱(神经网络)结构，而且还能够将训练过程中参数变化，准确率以及损失函数的变化，直观地展示出来。是机器学习研究者非常有用的工具，这篇文章，我就来介绍一下如何在 Keras 中轻松调用Tensorboard。 同样的，为了方便与读者交流，所有的代码都放在了这里： 1. 导入TensorBoard