八菲特 - Jakesheu的部落格 Jake

對於開發LINE機器人應用的人, 都知道要透過LINE主動推播訊息需要付費, 但是LINE也提供LINE NOTIFY的功能讓開發人員免費使用 (使用者必須先加入LINE Notify群組, 之後才能收到通知), 以下利用Heroku建立後台, 開發LINE BOT + LINE Notify, 以後只要在後台加入觸發條件, 相關加入的人員都可以收到"LINE 通知"
 

(繼續閱讀...)

八菲特-Jake 發表在 痞客邦 留言(1) 人氣()

循環神經網路用在有記憶需要的學習系統, 例如語言的語意辨識, 股票分析系統
最常用的RNN變形是Long Short-term Memory (LSTM), 一個LSTM單元會有四個input, 有三個input控制三個閘門(Gate is sigmoid function), 分別控制遺忘閘門, 輸入閘門, 輸出閘門

(繼續閱讀...)

八菲特-Jake 發表在 痞客邦 留言(0) 人氣()

DNN, Deep-Learning Neural Network
將一Logistical Regression視為一個神經元, 多維輸入與輸出的架構加上中間層多個logistical regression所疊加出來的網路架構就是一個Deep-learning Neural Network

(繼續閱讀...)

八菲特-Jake 發表在 痞客邦 留言(0) 人氣()

Features engineering and Neural Networks

前者(Features engineering)對一組欲分析的資料, 擷取其中的特徵值出來, 將這些特徵值進行分類, 分類的方法簡單的使用線性回歸(linear regression)進行分類, 這個回歸函數是βi!=0(weight)加β0(bias))的函數曲線



後者(Neural Networks)方法就捨去了特徵擷取工程的工作, 直接讓神經網路去抓取特徵值並做同時做好分類的工作



Neural Networks的解決方法看是讓工作減少了, 因為不用先做特徵值的擷取工作, 而是直接套用神經網路系統, 讓系統進入自動擷取特徵與分類的工作, 但神經網路的模型選擇變成一位工程人員要面對的新問題

(繼續閱讀...)

八菲特-Jake 發表在 痞客邦 留言(0) 人氣()

八菲特-Jake 發表在 痞客邦 留言(0) 人氣()

提供免費的LINE 機器人 服務
試用看看

(繼續閱讀...)

八菲特-Jake 發表在 痞客邦 留言(0) 人氣()

八菲特-Jake 發表在 痞客邦 留言(0) 人氣()

八菲特-Jake 發表在 痞客邦 留言(0) 人氣()

八菲特-Jake 發表在 痞客邦 留言(0) 人氣()

以Cifer-10為資料來源(dataset)進行CNN 演算法分析
我們使用Google提供的Colab (colaboratory)工具來進行開發說明
Python代碼如下
from keras.datasets import cifar10
import numpy as np
np.random.seed(10) #因為keras會從numpy獲取random值, 在固定seed值, 讓每次
重跑的random值能一致
(x_img_train,y_label_train),(x_img_test,y_label_test)=cifar10.load_data() # 下載訓
練資料和測試資料, 此dataset包含50000筆32*32 size的訓練圖片(training data), 和
10000筆32*32 size的測試圖片(testing data)
x_img_train_normalize = x_img_train.astype('float32') / 255.0 #做Normalization
x_img_test_normalize = x_img_test.astype('float32') / 255.0 #做Normalization
from keras.utils import np_utils
y_label_train_OneHot = np_utils.to_categorical(y_label_train)
y_label_test_OneHot = np_utils.to_categorical(y_label_test)
#在Cifer-10的dataset有10種圖片分類, 我們將答案(y_label)進行分類, 每一張圖片
只有一個答案, 以矩陣格式表示, 例如array[0., 0., 0., 1., 0., 0., 0., 0., 0.,
0.]
#開始Keras的模型建立
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation, Flatten
from keras.layers import Conv2D, MaxPooling2D, ZeroPadding2D
model = Sequential()
#建立CNN的第一層, 這裡指定用32個feature maps (filters=32)來scan一張圖
(convolution way), 圖形輸入格式是32*32*3 (size 32*32, RGB), activation function使用
relu, 當然你也可以選其他的activation function, sigmod
model.add(Conv2D(filters=32,kernel_size=(3,3),input_shape=(32, 32,3),activation='relu',padding='same'))
model.add(Dropout(rate=0.25))
model.add(MaxPooling2D(pool_size=(2, 2)))

(繼續閱讀...)

八菲特-Jake 發表在 痞客邦 留言(0) 人氣()

八菲特-Jake 發表在 痞客邦 留言(0) 人氣()

八菲特-Jake 發表在 痞客邦 留言(0) 人氣()